論文の概要: Assesing the Viability of Unsupervised Learning with Autoencoders for Predictive Maintenance in Helicopter Engines

• arxiv url: http://arxiv.org/abs/2601.11154v1
• Date: Fri, 16 Jan 2026 10:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.444781
• Title: Assesing the Viability of Unsupervised Learning with Autoencoders for Predictive Maintenance in Helicopter Engines
• Title（参考訳）: ヘリコプタエンジンの予測保守のためのオートエンコーダによる教師なし学習の有効性の評価
• Authors: P. Sánchez, K. Reyes, B. Radu, E. Fernández,
• Abstract要約: 本研究は、ヘリコプターエンジンの2つの予測保守戦略を比較した。 教師付き手法は、正常行動と欠陥行動の両方のラベル付き例に依存している。 教師なしのアプローチは、正常なエンジンデータのみを使用して正常な動作のモデルを学び、潜在的な欠陥として偏差を警告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unplanned engine failures in helicopters can lead to severe operational disruptions, safety hazards, and costly repairs. To mitigate these risks, this study compares two predictive maintenance strategies for helicopter engines: a supervised classification pipeline and an unsupervised anomaly detection approach based on autoencoders (AEs). The supervised method relies on labelled examples of both normal and faulty behaviour, while the unsupervised approach learns a model of normal operation using only healthy engine data, flagging deviations as potential faults. Both methods are evaluated on a real-world dataset comprising labelled snapshots of helicopter engine telemetry. While supervised models demonstrate strong performance when annotated failures are available, the AE achieves effective detection without requiring fault labels, making it particularly well suited for settings where failure data are scarce or incomplete. The comparison highlights the practical trade-offs between accuracy, data availability, and deployment feasibility, and underscores the potential of unsupervised learning as a viable solution for early fault detection in aerospace applications.
• Abstract（参考訳）: ヘリコプターの未計画のエンジン故障は、深刻な運用上の障害、安全性の危険、コストのかかる修理につながる可能性がある。 これらのリスクを軽減するため,本研究では,自動エンコーダ(AE)に基づく教師付き分類パイプラインと教師なし異常検出アプローチという,ヘリコプターエンジンの予測的メンテナンス戦略を比較検討した。 教師なし手法は、正常な動作と欠陥の両方のラベル付き例に依存し、教師なし手法は、正常なエンジンデータのみを使用して正常な動作のモデルを学び、逸脱を潜在的な欠陥としてフラグ付けする。 両手法は、ヘリコプターエンジンテレメトリのラベル付きスナップショットを含む実世界のデータセットで評価される。 教師付きモデルは、アノテートされた障害が利用可能である場合に強力なパフォーマンスを示すが、AEは障害ラベルを必要とせずに効果的な検出を実現し、障害データが不足したり不完全な設定に特に適している。 この比較は、精度、データ可用性、デプロイメント実現可能性の実践的なトレードオフを強調し、空域アプリケーションにおける早期障害検出のための実行可能なソリューションとして教師なし学習の可能性を強調している。

関連論文リスト

• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach [6.924083445159127]
  UAVは複数のセンサー入力に依存しており、物理的不安定性と深刻な安全上の懸念を引き起こす可能性がある。 LSTMニューラルネットワークに基づく最近の異常検出手法は有望な結果を示しているが、3つの課題が続いている。 これらの課題に触発された本研究では、ドローンの異常検出に対する統合的なアプローチであるRADDを紹介する。
  論文  参考訳（メタデータ） (2025-05-03T23:48:50Z)
• World Models for Anomaly Detection during Model-Based Reinforcement Learning Inference [3.591122855617648]
  学習ベースのコントローラは、安全性と信頼性に関する懸念から、現実世界のアプリケーションから意図的に排除されることが多い。 モデルベース強化学習における最先端の世界モデルがどのようにトレーニングフェーズを超えて活用され、デプロイされたポリシーが十分に親しみのある状態空間の領域内でのみ動作するかを検討する。
  論文  参考訳（メタデータ） (2025-03-04T12:25:01Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Detecting and Mitigating System-Level Anomalies of Vision-Based Controllers [7.095058159492494]
  ビジョンベースのコントローラは、新規またはアウト・オブ・ディストリビューションの入力に直面したとき、誤った予測を行うことができる。 本研究では,そのような閉ループ,システムレベルの障害を検知・緩和する実行時異常モニタを提案する。 本提案手法は, 視覚に基づくタクシー制御システムを用いた自律型航空機タクシーシステムにおいて, 提案手法の有効性を検証したものである。
  論文  参考訳（メタデータ） (2023-09-23T20:33:38Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。