類似性に基づく予後予測のためのニューラルネットワークフレームワーク

A neural network framework for similarity-based prognostics.

• Oguz Bektas
• Jeffrey A Jones
• Shankar Sankararaman
• Indranil Roychoudhury
• Kai Goebel

抄録

予知性能は、残存耐用年数を正確に推定することに関連しています。正確な予後予測アプリケーションにおける困難さは、生のセンサ読み取り値をより意味のある包括的な健康状態指標に処理することによって取り組むことができ、それによって残りの耐用年数の推定のためのパフォーマンス情報が提供される。この目的のために、一般的には、異なる方法論的側面を用いてタスクを評価できるように、データの前処理および予測に関する複数のタスクを実施しなければならない。しかし、手法が異なると性能が低下し、結果として望ましくないエラー率につながる可能性がある。本研究では、データの訓練と予測の段階を評価する。まず、複雑なシステムの性能を計算するために、フィードフォワード・ニューラルネットワークのフレームワークに基づくデータ駆動型の予後予測手法を定義する。次に、健康指標を類似性に基づいた残存耐用年数推定法に用いる。このフレームワークは、複数レジームの状態監視データによって提示される課題を克服する概念的な予後プロトコルを提示する。

Prognostic performance is associated with accurately estimating remaining useful life. Difficulty in accurate prognostic applications can be tackled by processing raw sensor readings into more meaningful and comprehensive health condition indicators that will then provide performance information for remaining useful life estimations. To that end, typically, multiple tasks on data pre-processing and predictions have to be carried out such that tasks can be assessed using different methodological aspects. However, incompatible methods may result in poor performance and consequently lead to undesirable error rates. The present research evaluates data training and prediction stages. A data-driven prognostic method based on a feed-forward neural network framework is first defined to calculate the performance of a complex system. Then, the health indicators are used in a similarity based remaining useful life estimation method. This framework presents a conceptual prognostic protocol that overcomes challenges presented by multi-regime condition monitoring data.