論文の概要: A Deep Learning-Based Stacking Ensemble Framework for Turbofan Engine Remaining Useful Life Prediction

• arxiv url: http://arxiv.org/abs/2608.27940v1
• Date: Fri, 28 Aug 2026 05:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.211916
• Title: A Deep Learning-Based Stacking Ensemble Framework for Turbofan Engine Remaining Useful Life Prediction
• Title（参考訳）: 生活予測のための深層学習に基づくターボファンエンジンのスタックングアンサンブルフレームワーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.8427427828815585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes a two-level stacking ensemble framework for Remaining Useful Life (RUL) prediction of turbofan engines, evaluated on the NASA C-MAPSS benchmark using the FD001 and FD003 subsets. The framework integrates four heterogeneous deep learning base learners: Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), CNN-LSTM, and CNN-GRU, whose out-of-fold predictions are combined by an XGBoost meta-learner to capture complex degradation patterns while mitigating individual model biases. Comprehensive experiments demonstrate that the stacking ensemble achieves superior predictive performance, with Root Mean Square Error (RMSE) of 9.989 and 8.613, Mean Absolute Error (MAE) of 7.081 and 5.195, and R-squared values of 0.899 and 0.906 for FD001 and FD003, respectively. Compared to the best-reported baseline (TCAT: RMSE 11.12 and 11.02), the proposed method achieves RMSE reductions of 10.2 percent and 21.8 percent for FD001 and FD003, respectively. Feature correlation analysis, residual diagnostics, and training convergence curves validate the model's robustness. These findings underscore the efficacy of stacking ensemble methods for prognostics and health management in safety-critical aerospace applications.
• Abstract（参考訳）: 本研究では,FD001およびFD003サブセットを用いたNASA C-MAPSSベンチマークを用いて,ターボファンエンジンの実用寿命予測のための2段階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。 総合的な実験により、積み重ねアンサンブルは9.989と8.613のRoot Mean Square Error(RMSE)、7.081と5.195のMean Absolute Error(MAE)、FD001とFD003のR2乗値0.899と0.906のR2乗がそれぞれ優れた予測性能を発揮することが示された。 最良報告ベースライン(TCAT: RMSE 11.12 と 11.02 )と比較して,提案手法は FD001 と FD003 それぞれ 10.2% と 21.8% の RMSE の削減を実現している。 特徴相関解析、残留診断、トレーニング収束曲線はモデルの堅牢性を検証する。 これらの知見は, 安全クリティカルな航空宇宙分野における診断・健康管理のためのアンサンブル手法の積み重ね効果を裏付けるものである。

関連論文リスト

• Predictive Maintenance: Deep Learning-Based Remaining Useful Life Prediction for Combat Aircraft Engines [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-03T07:28:00Z)
• FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation [47.3675633392999]
  FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。 以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。 提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
  論文  参考訳（メタデータ） (2026-07-06T15:59:18Z)
• 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)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• A Hybrid Deep Learning and Forensic Approach for Robust Deepfake Detection [0.0]
  既存のディープフェイク検出手法は、一般化や歪みに対する脆弱性の低いディープラーニングや、解釈可能なが新しい操作技術に制限される法医学的な分析に頼っている。 本研究では,雑音残差,JPEG圧縮トレース,周波数領域記述子などの法医学的特徴を融合したハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:52Z)
• 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)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• SASWISE-UE: Segmentation and Synthesis with Interpretable Scalable Ensembles for Uncertainty Estimation [6.082812294410541]
  本稿では,医療深層学習モデルの解釈性向上を目的とした,効率的なサブモデルアンサンブルフレームワークを提案する。 不確実性マップを生成することにより、エンドユーザーがモデル出力の信頼性を評価することができる。
  論文  参考訳（メタデータ） (2024-11-08T04:37:55Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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。