論文の概要: Explainable Predictive Condition-based Maintenance of Naval-Propulsion Systems using Fuzzy Logic
- arxiv url: http://arxiv.org/abs/2609.24250v2
- Date: Fri, 25 Sep 2026 12:56:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.027151
- Title: Explainable Predictive Condition-based Maintenance of Naval-Propulsion Systems using Fuzzy Logic
- Title（参考訳）: ファジィ論理を用いた海軍推進システムの説明可能な予測条件に基づく保守
- Abstract要約: 本稿では, ファジィ決定木と深い残留ニューラルネットワークに基づく新しい枠組みを提案し, 海軍艦艇における説明可能な予測保守(PdM)の実現を目指している。
提案フレームワークは、使用するデータセットに基づいてファジィなローカルルールを生成することができ、ユーザにとって理解しやすい方法で、原因と効果の関係を利用して、結果の説明を提供することができる。
- 参考スコア（独自算出の注目度）: 3.814858728853162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The shipping industry has a significant impact on the global economy, emphasizing the need for operational availability and safety through the use of effective maintenance techniques. During the last decades, predictive maintenance (PdM) has emerged as a promising solution compared to the existing conventional maintenance systems. This is because it offers several advantageous functions, such as damage predictions for vessel components, reduced downtime, improved and extended life of machinery, as well as higher safety during voyages. However, existing methodologies developed for performing PdM do not provide explanations of their results to users, so that they can understand the failures that may occur. To address this limitation, this paper proposes a novel framework based on a fuzzy decision tree and a deep residual neural network, aiming to perform explainable PdM on naval vessels. The proposed framework is able to generate fuzzy local rules based on the dataset used, and can provide explanations of its outcomes, using cause-and-effect relationships, in a way that are understandable to users, thereby gaining their trust. Experiments using a publicly available dataset demonstrate the effectiveness of the proposed framework, as it achieves an accuracy of 99.24%.
- Abstract（参考訳）: 海運業界は世界経済に大きな影響を与え、効率的な保守技術を利用することで、運用の可用性と安全性の必要性を強調している。
過去数十年間、従来の保守システムと比較して予測保守(PdM)が有望な解決策として現れてきた。
これは、船体部品の損傷予測、ダウンタイムの削減、機械の寿命の改善と拡張、航海中の安全性の向上など、いくつかの有利な機能を提供しているためである。
しかしながら、PdMを実行するために開発された既存の手法は、ユーザに対して結果の説明を提供していないため、発生する可能性のある障害を理解することができる。
そこで本稿では, ファジィ決定木と深部ニューラルネットワークに基づく新しい枠組みを提案する。
提案フレームワークは、使用するデータセットに基づいてファジィなローカルルールを生成することができ、その結果の説明を、ユーザにとって理解しやすい方法で提供し、信頼を得ることができる。
公開データセットを用いた実験は、99.24%の精度を達成するため、提案されたフレームワークの有効性を示す。
関連論文リスト
- Explainable Neuro-Fuzzy Prediction for Trustworthy Decision-Making in Maritime [3.3072037841206345]
本稿では、神経ファジィ予測モデルと2段階の説明可能なコンポーネントを統合した説明可能な意思決定フレームワークを提案する。
提案されたフレームワークは汎用的であり、どんなディープラーニングベースのアプローチにも統合できる。
論文 参考訳（メタデータ） (2026-09-21T09:47:23Z) - Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence [0.0]
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。
論文 参考訳（メタデータ） (2026-05-29T13:13:03Z) - An Explainable Machine Learning Framework for Railway Predictive Maintenance using Data Streams from the Metro Operator of Portugal [4.851138036466503]
この研究は、Intelligent Transportation Systemsのリアルタイムデータ駆動予測メンテナンスソリューションに寄与する。
提案手法は,サンプル前処理,機械学習モデルによる漸進的分類,結果説明からなる処理パイプラインを実装した。
この研究は、自然言語と視覚的説明可能性を使って、オンラインの故障予測を行う最初のものである。
論文 参考訳（メタデータ） (2025-08-07T13:38:49Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - 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。