Fugu-MT 論文翻訳(概要): Predictive Maintenance: Deep Learning-Based Remaining Useful Life Prediction for Combat Aircraft Engines

論文の概要: Predictive Maintenance: Deep Learning-Based Remaining Useful Life Prediction for Combat Aircraft Engines

arxiv url: http://arxiv.org/abs/2608.01819v1
Date: Mon, 03 Aug 2026 07:28:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.379808
Title: Predictive Maintenance: Deep Learning-Based Remaining Useful Life Prediction for Combat Aircraft Engines
Title（参考訳）: 予測的メンテナンス: 深層学習に基づく航空機用エンジンの寿命予測
Abstract要約: 本研究では,多変量センサデータから特徴を自律的に抽出する深層学習に基づく予測保守モデルを開発した。 RF, CNN-LSTM, BiLSTMベースラインに対して, 時間劣化特性の自律抽出におけるモデルのアーキテクチャ上の優位性を検証した。提案されたメンテナンスプロトコルは、重要な30サイクルのしきい値で0.9973 AUCを達成し、高い信頼性を確保した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: To improve the operational readiness of combat aircraft engines and reduce unplanned maintenance costs, accurately estimating the remaining useful life (RUL) is critical. Traditional maintenance often proves insufficient under dynamic mission profiles. In this study, a deep learning-based predictive maintenance model capable of autonomously extracting features from multivariate sensor data was developed. Using the NASA C-MAPSS FD001 and FD004 datasets, data were converted into sequential blocks via 50- and 30-step sliding windows, respectively. The model's architectural superiority in autonomously extracting temporal degradation features was validated against RF, CNN-LSTM, and BiLSTM baselines. On FD001, it achieved an R-squared (R2) of 0.8901, a 13.28 RMSE, and a 320.34 NASA risk score, demonstrating generalizability on the multi-regime FD004 dataset with a 15.71 RMSE. The proposed maintenance protocol achieved a 0.9973 AUC at the critical 30-cycle threshold, ensuring high reliability. Additionally, a decision-support simulator has been developed to validate this protocol under aggressive combat flight profiles.
Abstract（参考訳）: 戦闘用航空機エンジンの運用性の向上と未計画のメンテナンスコストの低減を図るため、残りの有用寿命(RUL)を正確に推定することが重要である。伝統的なメンテナンスは、しばしば動的なミッションプロファイルの下では不十分である。本研究では,多変量センサデータから特徴を自律的に抽出できるディープラーニングに基づく予測保守モデルを開発した。 NASAのC-MAPSS FD001とFD004のデータセットを使用して、データはそれぞれ50段のスライドウィンドウと30段のスライドウィンドウを介してシーケンシャルブロックに変換された。 RF, CNN-LSTM, BiLSTMベースラインに対して, 時間劣化特性の自律抽出におけるモデルのアーキテクチャ上の優位性を検証した。 FD001では0.8901のR二乗(R2)、13.28のRMSE、320.34のNASAリスクスコアを達成し、15.71のRMSEを持つマルチレジムFD004データセットの一般化性を実証した。提案されたメンテナンスプロトコルは、重要な30サイクルのしきい値で0.9973 AUCを達成し、高い信頼性を確保した。さらに、このプロトコルを攻撃的な戦闘飛行プロファイル下で検証するために、決定支援シミュレータが開発された。

関連論文リスト

A Deep Learning-Based Stacking Ensemble Framework for Turbofan Engine Remaining Useful Life Prediction [0.8427427828815585]
本研究では,ターボファンエンジンの寿命予測のための2段積み重ねアンサンブルフレームワークを提案する。このフレームワークは、Long Short-Term Memory (LSTM)、Convolutional Neural Network (CNN)、CNN-LSTM、CNN-GRUの4つの異種ディープラーニングベースラーナを統合している。実験により、積み重ねアンサンブルが優れた予測性能を達成することが示された。
論文参考訳（メタデータ） (2026-08-28T05:27:51Z)
Remaining Useful Life Estimation for Turbofan Engines: A Comparative Study of Classical, CNN, and LSTM Approaches [0.0]
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。
論文参考訳（メタデータ） (2026-04-29T22:11:54Z)
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)
SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文参考訳（メタデータ） (2026-03-18T05:51:08Z)
Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty [0.0]
本研究は,確率論的モデリングにより,アレータリックな不確実性を直接学習する,新しい不確実性を考慮したディープラーニングフレームワークを提案する。本フレームワークは,RMSEが5.14,6.89,5.27,7.16で,ブレークスルークリティカルゾーン性能(RUL=30サイクル)を達成する。学習された不確実性は95パーセントの信頼区間を提供し、カバー範囲は93.5パーセントから95.2%までであり、リスク対応のメンテナンススケジュールを可能にしている。
論文参考訳（メタデータ） (2025-11-24T13:53:31Z)
ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文参考訳（メタデータ） (2025-06-12T06:27:22Z)
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)
Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
論文参考訳（メタデータ） (2023-09-29T13:09:40Z)
Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation [1.0742675209112622]
ターボファンエンジンユニットの残余寿命を予測するための深層学習手法は、ラベル付き故障モード情報を利用していない。新しい予後学的なアプローチは、現在の状態、最終的に失敗したコンポーネント、そして残りの有用な生活を同時に予測するために、カスタマイズされた損失関数で定式化される。最も高性能なアルゴリズムであるANN-FluxはAUROCとAUPRのスコアを各分類で0.95を超えている。
論文参考訳（メタデータ） (2023-03-23T01:19:41Z)
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)
Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文参考訳（メタデータ） (2021-04-08T08:50:44Z)

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。