文献

J-GLOBAL ID：202202267078042979   整理番号：22A0848068

不確実性定量化による正確な残存有効寿命予測:深層学習と非定常Gaussプロセスアプローチ【JST・京大機械翻訳】

Accurate Remaining Useful Life Prediction With Uncertainty Quantification: A Deep Learning and Nonstationary Gaussian Process Approach

著者 (3件)： Xu Zhaoyi (Aerospace School, Georgia Institute of Technology, Atlanta, GA, USA) ,  Guo Yanjie (Aerospace School, Georgia Institute of Technology, Atlanta, GA, USA) ,  Saleh Joseph Homer (Aerospace School, Georgia Institute of Technology, Atlanta, GA, USA)
資料名： IEEE Transactions on Reliability  (IEEE Transactions on Reliability)
巻： 71  号： 1  ページ： 443-456  発行年： 2022年 
JST資料番号： C0448A  ISSN： 0018-9529  CODEN： IERQAD  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 有効寿命(RUL)の維持は,コンポーネントまたはシステムの予想される残存寿命に言及する。正確なRUL予測は,予後および健康管理および維持計画にとって重要である。本論文では,データ駆動RUL予測における3つの一般的課題,即ち,高次元入力特徴の取扱い,センサデータにおける雑音に対するロバスト性,および予測データセット,およびシステム劣化とRUL予測の間の時間依存性の捕捉,について述べた。不確実性定量化による高精度RUL予測モデルを考案し,深層学習と非定常Gaussプロセス回帰(DL LagrangeNSGPR)の利点を統合し,利用した。NASA予測リポジトリからのターボファンエンジンデータセットを用いて,他の先進データ駆動RUL予測モデルに対する著者らのモデルを調べ,ベンチマークした。著者らの計算実験は,DL-NSGPR予測が,競合するRULモデルのものより,二乗平均平方根誤差1.7~6.2倍で,非常に正確であることを示した。さらに,結果は,提案したDL-NSGPRとのRUL不確実性限界が,他の確率的RUL予測モデルよりも,妥当で,かなりタイトであることを示した。DL-NSGPRのこの優れた性能の理由をパッケージし,議論した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *不確実性 ,  *予測 ,  *Gauss過程 ,  モデル ,  健康管理 ,  ターボファン ,  予後 ,  高次元 ,  ベンチマーク ,  ロバスト性 ,  予測モデル ,  リポジトリ
準シソーラス用語： データ駆動 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 信頼性  (KB04040H)

タイトルに関連する用語 (8件)： 不確実性 ,  定量化 ,  残存 ,  有効寿命 ,  予測 ,  深層学習 ,  非定常 ,  Gaussプロセス