センサーデータを使用した産業製造システムにおける予知保全のための深層学習モデルの比較

本論文では、センサーデータを使用した産業製造システムにおける予知保全（PdM）のための深層学習モデルの包括的な比較を提示します。データ取得、前処理、および様々な深層学習アーキテクチャ（畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）ネットワーク、およびそれらのハイブリッドバリアント）を用いたモデル構築を包含するフレームワークを提案します。3つの産業データセットで実施した実験により、これらのモデルが設備の故障を予測し、残りの有用寿命を推定する効果を示します。CNN-LSTMハイブリッドモデルは、96.1%の精度と95.2%のF1スコアで最良の性能を達成し、スタンドアロンのCNNおよびLSTMアーキテクチャを上回ります。アブレーション研究と特徴重要性分析を通じて、モデルのパフォーマンスに影響を与える重要なコンポーネントとパラメーターを特定します。結果は、産業製造システムにおけるより正確で信頼性の高い故障予測を可能にすることによって、予知保全の実践を革新する深層学習アプローチの可能性を強調しています。我々の発見は、実世界の産業アプリケーションにおけるデータ駆動型予知保全戦略の実装に貴重な洞察を提供します。