文献

J-GLOBAL ID：202002237034257525   整理番号：20A1115047

Cox比例ハザード深層学習を用いた予測保全【JST・京大機械翻訳】

Predictive maintenance using cox proportional hazard deep learning

著者 (8件)： Chen Chong (Institute of Mechanical and Manufacturing Engineering, School of Engineering, Cardiff University, Cardiff CF24 3AA, UK) ,  Liu Ying (Institute of Mechanical and Manufacturing Engineering, School of Engineering, Cardiff University, Cardiff CF24 3AA, UK) ,  Wang Shixuan (Department of Economics, University of Reading, Reading RG6 6AA, UK) ,  Wang Shixuan (Panalpina Centre for Manufacturing and Logistics Research, Cardiff Business School, Cardiff University, Cardiff CF10 3EU, UK) ,  Sun Xianfang (School of Computer Science and Informatics, Cardiff University, Queen’s Buildings, Cardiff CF24 3AA, UK) ,  Di Cairano-Gilfedder Carla (Applied Research, BT Technology, Ipswich IP5 3RE, UK) ,  Titmus Scott (BT, Solihull B37 7YN, UK) ,  Syntetos Aris A. (Panalpina Centre for Manufacturing and Logistics Research, Cardiff Business School, Cardiff University, Cardiff CF10 3EU, UK)
資料名： Advanced Engineering Informatics  (Advanced Engineering Informatics)
巻： 44  ページ： Null  発行年： 2020年 
JST資料番号： T0593A  ISSN： 1474-0346  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 予測保全(PdM)は,保全コストを低減し,持続可能な運用管理を達成するために,産業において一般的になっている。PdMのコアは次の故障を予測することであり,対応する保守はそれが起こる前に予定できる。本研究の目的は,データ駆動アプローチを通して,故障(TBF)予測モデルを確立することである。PdMに対して,データスパース性は,保全データに基づくモデリングのためにアルゴリズム性能を危険にさらすことができる重要な問題と見なされている。一方,データ収集は,打ち切りデータが部分的にラベル付けされているので,保全データを扱うためのもう一つの挑戦を課している。さらに,データスパース性は,データ打ち切り問題を扱うとき,既存のアプローチのアルゴリズム性能に影響を及ぼす可能性がある。本研究において,Cox比例ハザード深学習(CoxPHDL)と呼ばれる新しいアプローチを提案し,データスパース性の上述の問題と運用保全データの解析に共通するデータ収集に取り組んだ。アイデアは,深い学習と信頼性解析の利点を取り入れることによって,統合した解法を提供することであった。最初に,自動符号器を採用して,公称データをロバスト表現に変換した。第二に,Cox比例ハザードモデル(Cox PHM)を研究し,打ち切りデータのTBFを推定した。次に,長期間メモリ(LSTM)ネットワークを確立して,前処理保全データに基づくTBF予測モデルを訓練した。英国フリート会社により提供された実世界フリート保全データセットを用いた実験研究により,提案手法の利点を実証した。ここで提案したLSTMネットワークに基づくアルゴリズム性能はMCCとRMSEの観点からそれぞれ改善された。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  *学習 ,  故障 ,  ネットワーク ,  *保全 ,  符号器 ,  保全費 ,  データ収集 ,  運転管理 ,  ロバスト性 ,  予測モデル
準シソーラス用語： スパース性 ,  *比例ハザード ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 予測保全 ,  深層学習 ,  信頼性解析 ,  フリートメンテナンス ,  機械学習

分類 (1件)： 資材管理  (KB05020S)

タイトルに関連する用語 (3件)： 比例ハザード ,  深層学習 ,  予測保全