論文の概要: Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence

• arxiv url: http://arxiv.org/abs/2605.31281v1
• Date: Fri, 29 May 2026 13:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.628379
• Title: Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence
• Title（参考訳）: 風力発電保守ログラベリングフレームワーク:信頼性のセマンティック抽出によるLCM駆動データ補正と強化
• Abstract要約: 歴史的メンテナンスログ内の障害イベント記述は、貴重な信頼性インテリジェンスの原因である。 典型的には、構造化されていない自然言語のエントリとして現れ、定量分析にはアクセスできない。 本稿では,大規模言語モデル(LLM)を利用して,保守ログを体系的に標準化し,構成する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As wind turbine fleets age, data-driven reliability engineering is essential to optimise their operation and maintenance for service life extension and levelised cost of energy reduction. Failure event descriptions within historical maintenance logs are a source of valuable reliability intelligence. However, they typically appear as unstructured natural language entries, rendering them inaccessible for quantitative analysis. This paper presents a novel methodology leveraging a large language model (LLM) to systematically standardise and structure maintenance logs based on their free-text descriptors. Operating on a dataset of 16,316 maintenance logs from 280 turbines monitored over nine years, the developed model-agnostic framework autonomously corrected hierarchical system codes and extracted evidence-based taxonomies of maintenance actions and failure modes. The automated pipeline successfully structured over 70% of the dataset. It resolved pervasive misclassification issues, such as isolating previously unclassified pitch system faults and restoring missing system codes, and enriched the records by applying empirical taxonomies to label specific actions taken and failure modes addressed. By using system-based log batches to construct empirical dictionaries of failure modes, observable symptoms, dominant mechanisms, and candidate causes, this approach reduces the inherent subjectivity of manual failure modes and effects analysis (FMEA). Ultimately, the methodology provides a highly scalable, cost-effective blueprint for translating large sets of qualitative field observations into quantitative reliability metrics, laying the foundation for integrated root-cause analysis across the renewable energy sector, improved FMEA, and advanced predictive maintenance.
• Abstract（参考訳）: 風力タービンが老朽化するにつれて、データ駆動の信頼性工学は運用と維持を最適化し、サービス寿命を延ばし、エネルギー削減のコストを低減させるのに不可欠である。 歴史的メンテナンスログ内の障害イベント記述は、貴重な信頼性インテリジェンスの原因である。 しかし、それらは通常、構造化されていない自然言語のエントリとして現れ、定量分析にはアクセスできない。 本稿では,大規模言語モデル(LLM)を利用して,自由テキスト記述子に基づく保守ログを体系的に標準化し,構成する手法を提案する。 9年間にわたって監視された280基のタービンから16,316個のメンテナンスログのデータセットを運用し、モデルに依存しないフレームワークは階層的なシステムコードを自動的に修正し、保守動作と障害モードのエビデンスに基づく分類を抽出した。 自動パイプラインは、データセットの70%以上をうまく構成した。 以前は未分類のピッチシステム障害の分離や欠落したシステムコードの復元など、広範囲にわたる誤分類の問題を解決し、特定の行動と対処された障害モードのラベル付けに経験的な分類法を適用して、記録を充実させた。 システムベースのログバッチを用いて、障害モード、観測可能な症状、支配的なメカニズム、および候補原因の実証辞書を構築することにより、手動障害モードと影響分析(FMEA)の固有の主観性を低下させる。 最終的に、この方法論は、高度にスケーラブルで費用対効果の高い青写真を提供し、定性的フィールドの観察を定量的な信頼性の指標に翻訳し、再生可能エネルギーセクター全体で根本原因分析を統合する基盤を築き上げ、FMEAを改善し、高度な予測保守を可能にした。

関連論文リスト

• Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
  本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。 その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。 本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
  論文  参考訳（メタデータ） (2026-07-07T03:20:52Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Bug-Report-Driven Fault Localization: Industrial Benchmarking and Lesson Learned at ABB Robotics [1.8479315677380452]
  本研究は, バグレポートの自然言語コンテンツのみを用いて, 人工知能がフォールトローカライゼーションを支援できるかどうかを考察する。 テキスト情報に頼ることで、我々のアプローチではソース実行トレースや静的解析アーティファクトにアクセスする必要がなくなる。 我々は,過去のバグレポートをテキストベースの人工知能支援断層の局所化に体系的に活用できることを実証した。
  論文  参考訳（メタデータ） (2026-04-28T14:27:02Z)
• TopoPilot: Reliable Conversational Workflow Automation for Topological Data Analysis and Visualization [4.62716665682001]
  TopoPilotは、複雑な科学的視覚化を自動化するための信頼性が高くエージェント的なフレームワークである。 TopoPilotは、信頼性の高い運用を保証するために、系統的なガードレールと検証メカニズムを組み込んでいる。 評価では、TopoPilotは99%以上の成功率を達成したが、ベースラインでは50%以下で、包括的なガードレールやチェックがない。
  論文  参考訳（メタデータ） (2026-03-26T05:56:53Z)
• JFTA-Bench: Evaluate LLM's Ability of Tracking and Analyzing Malfunctions Using Fault Trees [64.57426735981902]
  複雑なシステムのメンテナンスにおいて、障害木は問題を特定し、ターゲットとするソリューションを提供するために使用される。 画像として格納されたフォールトツリーを,大規模言語モデルで直接処理可能にするために,新しいフォールトツリーのテキスト表現を提案する。 複雑な環境におけるロバストな相互作用を強調するマルチターン対話システムのためのベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-03-24T09:13:43Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Exploratory Semantic Reliability Analysis of Wind Turbine Maintenance Logs using Large Language Models [0.0]
  本稿では、より複雑な推論タスクに現代大規模言語モデル(LLM)を活用する際のギャップについて論じる。 我々は,LLMを用いた探索的フレームワークを導入し,分類を超えて意味分析を行う。 以上の結果から,LSMは,テキスト情報や行動可能な専門家レベルの仮説を合成するためにラベル付けを超えて,強力な"信頼性共パイロット"として機能できることが示唆された。
  論文  参考訳（メタデータ） (2025-09-26T14:00:20Z)
• A Comparative Benchmark of Large Language Models for Labelling Wind Turbine Maintenance Logs [0.0]
  本稿では,複雑な産業記録を分類する作業において,LLM(Large Language Models)をベンチマークするためのフレームワークを提案する。 透明性を促進し、さらなる研究を促進するため、このフレームワークはオープンソースツールとして公開されている。 明確なパフォーマンス階層を定量化し、ベンチマーク標準と高い整合性を示すトップモデルを特定します。
  論文  参考訳（メタデータ） (2025-09-08T15:48:17Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data [5.859431341476405]
  イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。 提案手法は,実世界の重要な収集データセットに適用される。 このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
  論文  参考訳（メタデータ） (2023-05-17T08:55:53Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
  クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。 システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出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） (2021-02-23T09:17:05Z)

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。