論文の概要: Scalable and Data-Driven Decision Support in the Maintenance, Repair, and Overhaul Process
- arxiv url: http://arxiv.org/abs/2609.33641v1
- Date: Sun, 27 Sep 2026 15:03:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 15:08:51.959278
- Title: Scalable and Data-Driven Decision Support in the Maintenance, Repair, and Overhaul Process
- Title（参考訳）: メンテナンス、修復、オーバーホールプロセスにおけるスケーラブルでデータ駆動型意思決定のサポート
- Abstract要約: 修復プロセスを通じて,機械学習に基づく意思決定支援を支援するスマートエキスパートシステム(SES)を提案する。
SESは、先進的なガスタービン会社の実際の産業データを用いて評価され、総合的な意思決定支援の適合性と囲むITアーキテクチャの安定性に関する定式化された要件を実証的に満たしている。
- 参考スコア（独自算出の注目度）: 1.1643317704931089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several businesses apply maintenance, repair, and overhaul (MRO) principles to the life-cycle of their existing products. In cases like casted gas turbine component Product Lifecycle Management (PLM), repairing components in frequent intervals can extend the lifetime expectation of the product, provide higher cost efficiency compared to newly produced components, and even improve the part design during the repair cycle. Another aspect of repair concerns sustainability, as products often contain rare materials. The emissions produced by the repair process are usually smaller than mining materials and casting new components. To optimize the repair process further, we propose the Smart Expert System (SES), which assists engineering experts with machine learning-based decision support throughout the repair process. We elaborate on its IT architecture and present machine learning models employed for representative MRO use cases. The SES is evaluated using actual industry data from a leading gas turbine company and demonstrably fulfills formulated requirements concerning the suitability of the overall decision support and the stability of the enclosing IT architecture.
- Abstract（参考訳）: いくつかの企業は、既存の製品のライフサイクルにメンテナンス、修理、オーバーホール(MRO)の原則を適用している。
鋳造ガスタービン部品製品ライフサイクル管理(PLM)のような場合、頻繁な間隔で部品を修理することは製品の寿命を延ばし、新しく製造した部品よりもコスト効率を高め、修理サイクルの部品設計も改善する。
補修のもう一つの側面は、しばしば希少な材料を含む製品である、持続可能性に関するものである。
修理工程で発生する排出ガスは、通常鉱業資材よりも小さく、新しい部品を鋳造する。
修復プロセスをさらに最適化するために,技術者が修復プロセス全体を通じて機械学習による意思決定を支援することを支援するスマートエキスパートシステム(SES)を提案する。
我々は、そのITアーキテクチャと、代表的MROユースケースに使用される機械学習モデルについて詳述する。
SESは、先進的なガスタービン会社の実際の産業データを用いて評価され、総合的な意思決定支援の適合性と囲むITアーキテクチャの安定性に関する定式化された要件を実証的に満たしている。
関連論文リスト
- Reasoning-supported Robustness Validation of Automotive E/E Components [39.82496881457754]
本稿では,自動車電気・エレクトロニクス(E/E)部品のロバストネス検証プロセスの複雑さに対処するためのオントロジー支援手法を提案する。
アプローチでは、RVプロセスからの正式な知識と、いわゆるミッションプロファイル(MP)と呼ばれるストレス、操作、負荷プロファイルを使用する。
RVプロセスにおいて、効率的な自動分析選択と意思決定支援の基礎を形成するために、OWLにおいてコンポーネントの特性がどのように形式化されているかを示す。
論文 参考訳（メタデータ） (2026-08-17T11:19:21Z) - MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices [53.94035827454474]
信頼性の高い産業用予測保守のための統合型AIサービスモデルとして設計された軽量なマルチスケールトランスを提案する。
MsFormerには、マルチスケールサンプリング(MS)モジュールと、シーケンシャルな相関をキャプチャするための調整された位置符号化機構が組み込まれている。
実世界のデータセットの実験では、提案したフレームワークが最先端の手法よりも大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-24T11:12:50Z) - A reinforcement learning agent for maintenance of deteriorating systems with increasingly imperfect repairs [0.0]
機械学習の技術は、エンジニアリングとメンテナンスでますます使われ始めており、強化学習は最も有望な1つだ。
本稿では, 補修が不完全な新しい保守モデルとともに, ガンマ分解プロセスを提案する。
このシステムのメンテナンスポリシを生成するために,Double Deep Q-Networkアーキテクチャを用いた強化学習エージェントを開発した。
論文 参考訳（メタデータ） (2025-05-27T05:14:29Z) - Representation Learning of Complex Assemblies, An Effort to Improve Corporate Scope 3 Emissions Calculation [0.276240219662896]
政府、企業、市民も同様に、製造品やサービスの提供による気候への影響を正確に評価する必要がある。
プロセスライフサイクル分析(pLCA)は、生産、使用、廃棄の気候への影響を評価するために用いられる。
代用部品を特定するための半教師付き学習ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-21T06:21:31Z) - Measuring the Recyclability of Electronic Components to Assist Automatic Disassembly and Sorting Waste Printed Circuit Boards [4.0998481751764]
本稿では, 廃プリント基板(WPCB)からの廃電子部品(WEC)のリサイクル性の測定に, 数学的革新モデルを用いて着目する。
この革新的なアプローチは、WECのリサイクルとリサイクルの難しさを評価し、分解とソートを改善するAIモデルを統合する。
論文 参考訳（メタデータ） (2024-06-24T12:33:56Z) - DVQI: A Multi-task, Hardware-integrated Artificial Intelligence System
for Automated Visual Inspection in Electronics Manufacturing [57.33324493991657]
本稿では,DVQI(DarwinAI Visual Quality Inspection)システムを用いて,プリント基板組立欠陥の自動検査を行う。
DVQIシステムは、最小限のプログラミングと製造技術者のセットアップによるマルチタスク検査を可能にする。
また、DVQIシステムの性能と、トップエレクトロニクスメーカーへの影響に関するケーススタディも提示する。
論文 参考訳（メタデータ） (2023-12-14T18:56:54Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Review of Machine Learning Methods for Additive Manufacturing of Functionally Graded Materials [42.75150065410399]
機能的傾斜材料(FGM)の製造は, 各種産業における部品性能の向上に大きく寄与する。
本研究は, 添加性製造(AM)における機械学習(ML)技術の実装に関する文献の総合的なレビューを行う。
本稿では,FGMの製作における固有の課題に対処する上でMLが果たす役割について概説し,パラメータ最適化,欠陥検出,リアルタイムモニタリングなどについて述べる。
論文 参考訳（メタデータ） (2023-09-28T16:27:07Z) - Demand-Driven Asset Reutilization Analytics [0.0]
本稿では,新規ビルドにおける再使用性を高めるために,調達データに対する高度な分析を適用する。
これにより、新しい製品ユニットを作るための新しい購入部品の「支出」が削減される。
論文 参考訳（メタデータ） (2021-12-28T11:28:11Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。