論文の概要: Remaining Useful Life Estimation for Turbofan Engines: A Comparative Study of Classical, CNN, and LSTM Approaches

• arxiv url: http://arxiv.org/abs/2604.27234v1
• Date: Wed, 29 Apr 2026 22:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.825077
• Title: Remaining Useful Life Estimation for Turbofan Engines: A Comparative Study of Classical, CNN, and LSTM Approaches
• Title（参考訳）: ターボファンエンジンの寿命評価 : 古典的, CNN, LSTMアプローチの比較検討
• Authors: Astitva Goel, Samarth Galchar, Sumit Kanu,
• Abstract要約: RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)の重要な要素である 本稿では,NASA C-MAPSSターボファンエンジンデータセットを用いたRUL推定のための機械学習手法の比較検討を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Remaining Useful Life (RUL) estimation is a critical component of Prognostics and Health Management (PHM), enabling proactive maintenance scheduling and reducing unplanned failures in industrial equipment. This paper presents a comparative study of machine learning approaches for RUL estimation on the NASA C-MAPSS turbofan engine dataset: classical baselines (Ridge Regression, Polynomial Ridge, and XGBoost), a 1D Convolutional Neural Network (CNN), and a Long Short-Term Memory (LSTM) network. All models are evaluated on the FD001 and FD003 subsets under an identical preprocessing pipeline to ensure a fair comparison. Among raw-sequence models, the LSTM achieves RMSE of 14.93 and 14.20 on FD001 and FD003 respectively, outperforming the deep LSTM reported by Zheng et al.~\cite{paper} (RMSE 16.14 and 16.18) despite using a simpler single-layer architecture. The 1D CNN achieves RMSE of 16.97 on FD001 and 15.68 on FD003, demonstrating competitive performance on FD003 while producing more conservative RUL predictions on FD001. Ridge Regression is evaluated on raw and engineered features, while other classical models use only engineered inputs. XGBoost achieves an RMSE of 13.36 on FD003, highlighting the competitiveness of nonlinear modeling.
• Abstract（参考訳）: Remaining Useful Life (RUL) Estimation (Remaining Useful Life)は、プログノースティックス・アンド・ヘルス・マネジメント(PHM)の重要な要素であり、プロアクティブなメンテナンスのスケジューリングと、産業機器の未計画の故障の低減を可能にする。 本稿では,NASA C-MAPSSターボファンエンジンのデータセットに対するRUL推定のための機械学習手法の比較研究として,古典的ベースライン(Ridge Regression, Polynomial Ridge, XGBoost),1次元畳み込みニューラルネットワーク(CNN),Long Short-Term Memory(LSTM)ネットワークを提案する。 全てのモデルは、同じ前処理パイプラインの下でFD001およびFD003サブセットで評価され、公正な比較が保証される。 原系列モデルの中で、LSTMはFD001とFD003でそれぞれ14.93と14.20のRMSEを達成し、より単純な単一層アーキテクチャを使用しながらも、Zheng et al ~\cite{paper} (RMSE 16.14と16.18) によって報告された深層LSTMよりも優れている。 1D CNNはFD001で16.97、FD003で15.68のRMSEを達成し、FD003で競争性能を示し、FD001でより保守的なRUL予測を生成する。 Ridge Regression は生およびエンジニアリングされた機能に基づいて評価され、他の古典的なモデルはエンジニアリングされた入力のみを使用する。 XGBoost は FD003 上で 13.36 の RMSE を達成し、非線形モデリングの競争力を強調した。

関連論文リスト

• Asymmetric-Loss-Guided Hybrid CNN-BiLSTM-Attention Model for Industrial RUL Prediction with Interpretable Failure Heatmaps [0.0]
  本研究では,Twin-Stage One-dimensional Convolutional Neural Networks (1D-CNN),Bidirectional Long Short-Term Memory (BiLSTM) ネットワーク,Bahdanau Additive Attention 機構を組み合わせたハイブリッドアーキテクチャを提案する。 100基のテストエンジンの実験は17.52サイクルのルート平均正方形誤差(RMSE)と922.06のNASA Sスコアを達成した。
  論文  参考訳（メタデータ） (2026-04-15T04:25:38Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Out-of-Sample Hydrocarbon Production Forecasting: Time Series Machine Learning using Productivity Index-Driven Features and Inductive Conformal Prediction [1.1534313664323632]
  本研究は, アウトオブサンプル炭化水素生産予測の堅牢性を高めるために設計された新しいMLフレームワークを紹介する。 The Volve (wells PF14, PF12) and Norne (well E1H) oil field, this study is using the historical data from the Volve (wells PF14, PF12) and Norne (well E1H) oil field, we investigated the effective of various predictive algorithm。
  論文  参考訳（メタデータ） (2025-08-12T19:14:46Z)
• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• CNN-LSTM Hybrid Deep Learning Model for Remaining Useful Life Estimation [0.0]
  RUL推定のための畳み込みニューラルネットワークとLong Short-Term Memory(LSTM)ネットワークを組み合わせたハイブリッドアプローチを提案する。 以上の結果から,CNN-LSTMハイブリッドモデルが最も精度が高く,他の手法よりも優れたスコアが得られた。
  論文  参考訳（メタデータ） (2024-12-20T15:48:57Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。