論文の概要: Uncertainty Aware Functional Behavior Prediction and Material Fatigue Assessment for Circular Factory

• arxiv url: http://arxiv.org/abs/2606.05334v1
• Date: Wed, 03 Jun 2026 18:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.338927
• Title: Uncertainty Aware Functional Behavior Prediction and Material Fatigue Assessment for Circular Factory
• Title（参考訳）: 循環工場の機能的挙動予測と材料疲労評価
• Authors: Nehal Afifi, Mehdi Khabou, Victor Mas, Jonas Hemmerich, Patric Grauberger, Stefan Dietrich, Volker Schulze, Sven Matthiesen,
• Abstract要約: 将来の機能フルフィルメントとコンポーネントの整合性は次のサービスシナリオで異なる進化を遂げる可能性があるため、現在の検査だけで再利用は決定できない。 既存のPHMアプローチは劣化予測をサポートするが、しばしば固定された動作条件や孤立したコンポーネントベンチマークをターゲットにしている。 本稿では、不確実性を考慮した機能予測と、インスタンス固有の信頼性ワークフローにおけるコンポーネントレベルの疲労評価を組み合わせることで、このギャップに対処する。
• 参考スコア（独自算出の注目度）: 0.28106259549258145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Returned products in circular factories re-enter production with heterogeneous degradation states, usage histories, and remaining capability. Reuse cannot be decided from the current inspection alone, because future function fulfillment and component integrity may evolve differently under the next service scenario. Existing PHM approaches support degradation prediction, but often target fixed operating conditions or isolated component benchmarks, while material-fatigue assessment is rarely linked to system-level functional prognosis. This paper addresses this gap for an angle grinder by combining uncertainty-aware functional prediction with component-level fatigue assessment in an instance-specific reliability workflow. The proposed framework combines the current tool state with recent force--torque usage windows. A convolutional encoder extracts loading patterns from spindle forces and shaft torque, and an LSTM backbone predicts nine functional variables as Gaussian mean and variance estimates. In parallel, the same loading history is translated into output-shaft fatigue information through finite-element-supported stress reconstruction, S--N/Miner damage evaluation with Haibach extension, and Paris-law crack-growth analysis. A streaming replay algorithm consolidates both branches into functional, material, and system reliability trajectories. Held-out tests show mean \(2\%\)-tolerance accuracy of 0.9652 across nine outputs. Thermal variables are predicted near-perfectly, while drive motor current and load speed remain the most demanding dynamic outputs, with \(R^2\) values of 0.9750 and 0.9924. Torque history is especially important for these variables, and the conventional LSTM outperforms GRU and xLSTM in the short-history setting. Reliability calibration is most informative for drive motor current, where predicted and observed exceedance probabilities ...
• Abstract（参考訳）: 循環工場で再生産された製品は、不均一な劣化状態、使用履歴、残り能力で再生産される。 将来の機能フルフィルメントとコンポーネントの整合性は次のサービスシナリオで異なる進化を遂げる可能性があるため、現在の検査だけで再利用は決定できない。 既存のPHMアプローチは劣化予測をサポートするが、しばしば固定された操作条件や孤立したコンポーネントベンチマークをターゲットにしているが、材料満足度評価はシステムレベルの機能的予後にはほとんど関連しない。 本稿では、不確実性を考慮した機能予測と、インスタンス固有の信頼性ワークフローにおけるコンポーネントレベルの疲労評価を組み合わせることで、アングルグラインダーのギャップを解消する。 提案するフレームワークは、現在のツール状態と最近のフォース-トルク使用ウィンドウを組み合わせたものだ。 畳み込みエンコーダはスピンドル力と軸トルクから荷重パターンを抽出し、LSTMバックボーンはガウス平均と分散推定として9つの機能変数を予測する。 並行して、有限要素支持応力再構成による出力軸疲労情報、Haybach拡張によるS-N/Miner損傷評価、Paris-law crack-growth解析により、同じ負荷履歴を出力軸疲労情報に変換する。 ストリーミング再生アルゴリズムは、両方のブランチを機能的、物質的、システム信頼性トラジェクトリに集約する。 ヒードアウト試験は、9つの出力に対して0.9652の(2\%\)耐久精度を示す。 熱変数はほぼ完璧に予測されるが、駆動モータ電流と負荷速度は、0.9750と0.9924の値で、最も要求の高いダイナミック出力のままである。 トルク履歴はこれらの変数にとって特に重要であり、従来のLSTMは短史時代においてGRUやxLSTMよりも優れていた。 信頼性校正は、予測され観測される超過確率が観測される駆動モータ電流にとって最も有益である。

関連論文リスト

• Bifurcated Remaining Useful Life Prediction: A Hybrid Approach for Realistic Uncertainty Characterization [1.679937788852769]
  この枠組みは、エンジンの運用寿命を「健康」と「劣化」の体制に二分する国家認識戦略を採用している。 この枠組みの最大の強みは、物理的に一貫した不確実帯の生成であり、寿命の終わり近くで高信頼な予測をもたらす。
  論文  参考訳（メタデータ） (2026-05-29T12:42:07Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• Physics-Informed Machine Learning for Vessel Shaft Power and Fuel Consumption Prediction: Interpretable KAN-based Approach [1.1470070927586018]
  本稿では, 軸回転速度, シャフトパワー, 燃料消費を予測する物理インフォームド・コルモゴロフ・アルノルドネットワーク(PI-KAN)を提案する。 5隻の貨物船の運用環境データを用いて、PI-KANは従来の予測手法とニューラルネットワークのベースラインを一貫して上回っている。 これらの結果は,PI-KANが予測精度と解釈可能性の両方を実現し,船舶性能監視と運用環境における意思決定支援のための堅牢なツールを提供することを示す。
  論文  参考訳（メタデータ） (2026-02-25T16:06:28Z)
• CARLE: A Hybrid Deep-Shallow Learning Framework for Robust and Explainable RUL Estimation of Rolling Element Bearings [2.312232949770907]
  Remaining Useful Life (RUL) は、コンポーネント、例えばローリングエレメントのベアリングが障害前にどれくらいの期間動作するかを予測する。 多くのRUL法が存在するが、動作条件が変化すると一般化性や堅牢性に欠けることが多い。 本稿では,これらの課題に対処するために,深層学習と浅層学習を組み合わせたハイブリッドAIフレームワークであるCARLEを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T21:43:26Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Transformer-Based Bearing Fault Detection using Temporal Decomposition Attention Mechanism [0.40964539027092917]
  ベアリング故障検出は予測保守において重要な課題であり、正確かつタイムリーな故障識別はコストダウンや機器の損傷を防ぐことができる。 トランスフォーマーニューラルネットワークの従来の注意機構は、振動データを保持する複雑な時間パターンを捉えるのに苦労することが多く、最適以下の性能をもたらす。 本稿では,時系列データの長期依存性と周期的変動の両方を捉えるために,時間偏差符号化と季節差分解を組み合わせた新しい注意機構である時間分解注意機構(TDA)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T16:51:31Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)

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。