論文の概要: A Machine Learning Framework for Turbofan Health Estimation via Inverse Problem Formulation

• arxiv url: http://arxiv.org/abs/2604.08460v1
• Date: Thu, 09 Apr 2026 16:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:06.034333
• Title: A Machine Learning Framework for Turbofan Health Estimation via Inverse Problem Formulation
• Title（参考訳）: 逆問題定式化によるターボファンの健康度推定のための機械学習フレームワーク
• Authors: Milad Leyli-Abadi, Lucas Thil, Sebastien Razakarivony, Guillaume Doquet, Jesse Read,
• Abstract要約: ターボファンエンジンの健康状態を推定することは、スパースセンシングと複雑な非線形熱力学によって妨げられる、難しい逆問題である。 本研究は, リアルな劣化・維持パターン下での運転センサデータから, コンポーネントレベルの健康指標を回収する方法を検討する。
• 参考スコア（独自算出の注目度）: 2.4155331260657924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the health state of turbofan engines is a challenging ill-posed inverse problem, hindered by sparse sensing and complex nonlinear thermodynamics. Research in this area remains fragmented, with comparisons limited by the use of unrealistic datasets and insufficient exploration of the exploitation of temporal information. This work investigates how to recover component-level health indicators from operational sensor data under realistic degradation and maintenance patterns. To support this study, we introduce a new dataset that incorporates industry-oriented complexities such as maintenance events and usage changes. Using this dataset, we establish an initial benchmark that compares steady-state and nonstationary data-driven models, and Bayesian filters, classic families of methods used to solve this problem. In addition to this benchmark, we introduce self-supervised learning (SSL) approaches that learn latent representations without access to true health labels, a scenario reflective of real-world operational constraints. By comparing the downstream estimation performance of these unsupervised representations against the direct prediction baselines, we establish a practical lower bound on the difficulty of solving this inverse problem. Our results reveal that traditional filters remain strong baselines, while SSL methods reveal the intrinsic complexity of health estimation and highlight the need for more advanced and interpretable inference strategies. For reproducibility, both the generated dataset and the implementation used in this work are made accessible.
• Abstract（参考訳）: ターボファンエンジンの健康状態を推定することは、スパースセンシングと複雑な非線形熱力学によって妨げられる不適切な逆問題である。 この領域の研究は断片的であり、非現実的なデータセットの使用と時間情報の活用の不十分さによって比較は限られている。 本研究は, リアルな劣化・維持パターン下での運転センサデータから, コンポーネントレベルの健康指標を回収する方法を検討する。 本研究を支援するために,保守イベントや利用状況の変化など,産業指向の複雑さを取り入れた新しいデータセットを提案する。 このデータセットを用いて、定常データ駆動モデルと非定常データ駆動モデルを比較した初期ベンチマークと、この問題を解決するのに使われた古典的な手法であるベイズフィルタを構築した。 このベンチマークに加えて、実世界の運用上の制約を反映したシナリオである、真の健康ラベルにアクセスせずに潜伏表現を学習する自己教師付き学習(SSL)アプローチを導入する。 これらの教師なし表現の下流推定性能を、直接予測ベースラインと比較することにより、この逆問題解決の難しさに基づいた実用的な下限を確立する。 以上の結果から,従来のフィルタは強力なベースラインを維持し,SSL手法は本質的な健康推定の複雑さを明らかにし,より高度かつ解釈可能な推論戦略の必要性を強調した。 再現性のために、生成されたデータセットとこの作業で使用される実装の両方がアクセス可能である。

関連論文リスト

• Close to Reality: Interpretable and Feasible Data Augmentation for Imbalanced Learning [0.8062201442038957]
  データ拡張のための決定述語グラフ(DPG-da)は,学習モデルから解釈可能な決定述語を抽出するフレームワークである。 合成および実世界のベンチマークデータセットの実験では、DSG-daは従来のオーバーサンプリング手法よりも常に分類性能を改善している。
  論文  参考訳（メタデータ） (2026-03-14T12:53:18Z)
• 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)
• Valid Inference with Imperfect Synthetic Data [39.10587411316875]
  モーメントの一般化法に基づく新しい推定器を提案する。 合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2025-08-08T18:32:52Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• CART-based Synthetic Tabular Data Generation for Imbalanced Regression [1.342834401139078]
  我々は、既存のCARTベースの合成データ生成手法を適応させ、不均衡回帰に適合させることを提案する。 本手法は, 対象空間のスパース領域におけるサンプリングを誘導するための関連性および密度に基づくメカニズムを統合する。 本実験は,ベンチマークデータセット間での極端目標値の予測に焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-03T12:42:20Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• Survival Analysis with Adversarial Regularization [3.9686445409447617]
  生存分析(Survival Analysis、SA)は、医学、防衛学、金融学、航空宇宙学などの分野で応用されるイベントが起こるまでの時間をモデル化する。 最近の研究は、ニューラルネットワーク(NN)がSAの複雑なデータパターンを効果的にキャプチャできることを示唆している。 我々は、NN検証の進歩を活用して、堅牢で完全なパラメトリックSAモデルのためのトレーニング目標を開発する。
  論文  参考訳（メタデータ） (2023-12-26T12:18:31Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)

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。