論文の概要: A Novel Preprocessing-Driven Approach to Remaining Useful Life (RUL) Prediction Using Temporal Convolutional Networks (TCN)

• arxiv url: http://arxiv.org/abs/2605.02507v1
• Date: Mon, 04 May 2026 12:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.27383
• Title: A Novel Preprocessing-Driven Approach to Remaining Useful Life (RUL) Prediction Using Temporal Convolutional Networks (TCN)
• Title（参考訳）: 時間畳み込みネットワーク(TCN)を用いた有用寿命(RUL)予測のための新しい前処理駆動アプローチ
• Authors: Florent Imbert, Tosin Adewumi, Hui Han,
• Abstract要約: 航空工学におけるRemaining Useful Life (RUL)は、予測メンテナンス、運用信頼性の向上、ライフサイクルコストの削減に不可欠である。 モデル学習前のデータ品質と時間的表現を改善することにより、RUL予測を向上する新しい前処理パイプラインを提案する。 提案手法は, 完全時間列を利用して各時間ステップでRUL推定値を生成し, モデルが微細な劣化ダイナミクスを捕捉することを可能にする。
• 参考スコア（独自算出の注目度）: 1.0516033301022711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of Remaining Useful Life (RUL) in aero-engines is vital for predictive maintenance, improved operational reliability, and reduced lifecycle costs. While deep learning approaches have demonstrated strong potential in this area, most existing methods focus primarily on model architecture design and treat input features uniformly, often neglecting the influence of data preprocessing. In this work, we propose a novel preprocessing pipeline that enhances RUL prediction by improving data quality and temporal representation before model training. Our approach leverages complete temporal sequences and generates RUL estimates at each timestep, enabling the model to capture fine-grained degradation dynamics and deliver continuous prognostic insights throughout the engine's operational life. To validate the effectiveness of the proposed pipeline, we conduct experiments on the NASA C-MAPSS dataset. Comparative evaluations against a suite of state-of-the-art neural models including CNN, RNN, LSTM, DCNN, TCN, BiGRU-TSAM, AGCNN, and ATCN, demonstrate that our approach consistently achieves superior accuracy and robustness in aero-engine RUL prediction. These results highlight the critical role of preprocessing in maximizing the effectiveness of neural prognostic models.
• Abstract（参考訳）: 航空エンジンにおける残留実用生命(RUL)の正確な予測は、予測保守、運用信頼性の向上、ライフサイクルコストの削減に不可欠である。 ディープラーニングアプローチはこの分野において強力な可能性を示しているが、既存のほとんどの手法は、主にモデルアーキテクチャの設計と入力機能を均一に扱い、しばしばデータ前処理の影響を無視している。 本研究では,モデル学習前のデータ品質と時間的表現を改善することにより,RUL予測を向上させる新しい前処理パイプラインを提案する。 提案手法は, 完全時間列を利用して各タイミングでRUL推定値を生成する。これにより, モデルが微粒化のダイナミクスを捕捉し, エンジンの運転時間を通して連続的な予測情報を提供できる。 提案するパイプラインの有効性を検証するため,NASAのC-MAPSSデータセットを用いて実験を行った。 CNN, RNN, LSTM, DCNN, TCN, BiGRU-TSAM, AGCNN, ATCNなど, 最先端のニューラルモデルと比較検討した結果, 航空エンジンRUL予測の精度とロバスト性は一貫して向上していることがわかった。 これらの結果は,神経予後モデルの有効性を最大化する上で,前処理が果たす重要な役割を浮き彫りにした。

関連論文リスト

• End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
  本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。 このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-22T13:28:18Z)
• 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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Learning Global and Local Features of Power Load Series Through Transformer and 2D-CNN: An Image-based Multi-step Forecasting Approach Incorporating Phase Space Reconstruction [1.9458156037869137]
  本研究では,PSRをニューラルネットワークと微妙に統合し,エンドツーエンドの学習システムを構築することで,新たな多段階予測手法を提案する。 PSR-GALIENと呼ばれる新しいディープラーニングモデルが設計され、トランスフォーマーと2D-CNNが画像のグローバルパターンとローカルパターンの抽出に使用される。 その結果,6つの最先端ディープラーニングモデルと比較して,PSR-GALIENの予測性能はこれらのベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-07-16T09:59:13Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
  有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。 我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。 計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-09-23T18:19:58Z)
• 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。