文献

J-GLOBAL ID：202202229835799108   整理番号：22A0902133

深層ニューラルネットワークを用いた生産スケジュールを最適化するための予測保全モデル【JST・京大機械翻訳】

A predictive maintenance model for optimizing production schedule using deep neural networks

著者 (6件)： Zonta Tiago (Software Innovation Laboratory (SOFTWARELAB), Applied Computing Graduate Program, Universidade do Vale do Rio dos Sinos (UNISINOS), Sao Leopoldo 93022-750, Brazil) ,  da Costa Cristiano Andre (Software Innovation Laboratory (SOFTWARELAB), Applied Computing Graduate Program, Universidade do Vale do Rio dos Sinos (UNISINOS), Sao Leopoldo 93022-750, Brazil) ,  Zeiser Felipe A. (Software Innovation Laboratory (SOFTWARELAB), Applied Computing Graduate Program, Universidade do Vale do Rio dos Sinos (UNISINOS), Sao Leopoldo 93022-750, Brazil) ,  de Oliveira Ramos Gabriel (Software Innovation Laboratory (SOFTWARELAB), Applied Computing Graduate Program, Universidade do Vale do Rio dos Sinos (UNISINOS), Sao Leopoldo 93022-750, Brazil) ,  Kunst Rafael (Software Innovation Laboratory (SOFTWARELAB), Applied Computing Graduate Program, Universidade do Vale do Rio dos Sinos (UNISINOS), Sao Leopoldo 93022-750, Brazil) ,  da Rosa Righi Rodrigo (Software Innovation Laboratory (SOFTWARELAB), Applied Computing Graduate Program, Universidade do Vale do Rio dos Sinos (UNISINOS), Sao Leopoldo 93022-750, Brazil)
資料名： Journal of Manufacturing Systems  (Journal of Manufacturing Systems)
巻： 62  ページ： 450-462  発行年： 2022年 
JST資料番号： D0396B  ISSN： 0278-6125  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： 産業4.0(I4.0)は,連結性,データ量,新しいデバイス,小型化,在庫削減,個人化,および制御された生産を提供する。この新しい時代において,カスタム化とデータアベイラビリティは意思決定を可能にする情報を生成するのに不可欠である。将来における保全の必要性を予測し,他のプロセスに対するこの情報を用いることの可能性は,製造プロセスの課題の1つである。この文脈において,本論文では,予測的メインテナンス(PdM)&スケジュール(PdMS)と呼ばれる保守と生産スケジュールを予測および自動的に最適化するためのモデルを示した。通常,これらの解は文献で別々に取り組まれている。センサ遠隔測定および動作情報に基づく機械の残存寿命(RUL)予後の改善を目的とする。また,利用可能な資源を考慮して,機械が生産スケジュールの一部であるかどうかを予測することを目指した。データ工学,検証および正規化を記述するモデルを提案した。また,時間ベース故障を識別するための雑音の多いデータを可能にする類似性パターンを用いて,劣化指標を作成し,結合するためのアプローチについても述べた。この手法は,スケジューリング問題におけるこの種の予測の使用を可能にする。視覚解析,誤差,回帰係数R2,および精度に基づく基準を用いて,深層ニューラルネットワーク(DNN)と再帰ニューラルネットワーク(RNN)に基づくいくつかのモデルを比較した。最良の結果,RMSE=8.789,MSE=77.253,MAE=2.262,R2=0.848,Accurcy=92.22は,5日間の予測による故障の予測を可能にし,それは,停止時間を避け,意図した統合を可能にした。Copyright 2022 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： *最適化 ,  雑音 ,  視覚 ,  意思決定 ,  故障 ,  スケジューリング ,  *ニューラルネットワーク ,  小型化 ,  アベイラビリティ ,  停止時間 ,  予後 ,  正規化 ,  保守管理 ,  生産工程
準シソーラス用語： *ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 予測保全 ,  スケジューリング問題 ,  深層ニューラルネットワーク ,  プロセス統合 ,  産業4.0

分類 (3件)： 生産工学一般  (KB01000U) ,  設備管理  (KB02020X) ,  情報処理一般  (JE15010U)

タイトルに関連する用語 (5件)： 深層ニューラルネットワーク ,  スケジュール ,  最適化 ,  予測保全 ,  モデル