文献

J-GLOBAL ID：202202281219756638   整理番号：22A1156801

記憶装置のリカレントニューラルネットワークベースの実時間故障検出【JST・京大機械翻訳】

Recurrent neural network based real-time failure detection of storage devices

著者 (2件)： Su Chuan-Jun (Department of Industrial Engineering and Management, Yuan Ze University 135, Chung-Li, Taiwan, ROC) ,  Li Yi (Department of Industrial Engineering and Management, Yuan Ze University 135, Chung-Li, Taiwan, ROC)
資料名： Microsystem Technologies  (Microsystem Technologies)
巻： 28  号： 2  ページ： 621-633  発行年： 2022年 
JST資料番号： W2056A  ISSN： 0946-7076  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 研究は,貯蔵装置の故障率が,しばしば14パーセントの高さであることを明らかにした。より悪くなるためには,貯蔵装置の壊滅的故障が起こる前に注意すべき警報兆候が頻繁にない。メンテナンスを究極的に排除するために,メンテナンスを行うべき自動手段を提供するリアルタイム予測保全システムを開発する必要がある。従来の回帰予測モデリングとは異なり,記憶装置の故障検出は時系列予測の問題であり,入力変数間のシーケンス依存性の複雑性を付加する。提案したLSTM(Long Short-Termメモリ)ネットワークは,深い学習で用いられるRNN(Reカレントニューラルネットワーク)の分岐であり,それはうまく訓練できる非常に大きなアーキテクチャを示す。LSTMは入力特徴空間でパターンを抽出するのに優れており,そこでは入力データが長いシーケンスにわたって広がる。LSTMのゲートアーキテクチャにより,時系列予測において予測を行うのに必要なコンテキストを学習できる。時間発展状態に依存する応答を生成することは理想的である。例えば,時間にわたる貯蔵装置の条件を検出する。本論文は,ストレージ装置故障を検出するために,Apache Sparkのトップに構築されたRNN(Reカレントニューラルネットワーク)ベースのリアルタイム予測保全システム(RPMS)の特別な種類であるLSTM(Long短期メモリ)の開発について述べた。デバイス自体から直接RPMSにリアルタイムデータをストリーミングすることにより,問題を明らかにして,それらが高価なダウンタイムを引き起こす前に,早期に対処できる。Copyright Springer-Verlag GmbH Germany, part of Springer Nature 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *記憶装置 ,  警報 ,  *故障 ,  故障率 ,  システム ,  *ネットワーク ,  *故障検出 ,  モデリング ,  停止時間 ,  計算機アーキテクチャ ,  保守管理 ,  時間発展 ,  ストリーミング
準シソーラス用語： 時系列予測 ,  *リカレントニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 固体デバイス製造技術一般  (NC03030V)

タイトルに関連する用語 (4件)： 記憶装置 ,  リカレントニューラルネットワーク ,  実時間 ,  故障検出