Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model

要約

今日のテクノロジー主導の時代では、予知保全と高度な診断の義務は航空分野を超えて、回転機械や移動機械の損傷、故障、動作上の欠陥の特定にまで及びます。
このようなサービスを導入することで、メンテナンスコストを削減するだけでなく、機械の寿命を延ばし、業務効率を高めることができます。
さらに、潜在的な事故や大惨事に対する予防策としても役立ちます。
人工知能 (AI) の出現により、業界全体のメンテナンスに革命が起こり、機械の故障のより正確かつ効率的な予測と分析が可能になり、時間とリソースが節約されます。
私たちが提案する研究は、マシンのパフォーマンスを予測および分析するために、サポート ベクター マシン (SVM)、ランダム フォレスト、ロジスティック回帰、畳み込みニューラル ネットワーク LSTM ベースなどのさまざまな機械学習分類手法を掘り下げることを目的としています。
SVM は多次元空間内の位置に基づいてデータをさまざまなカテゴリに分類しますが、ランダム フォレストはアンサンブル学習を使用して分類用の複数の決定木を作成します。
ロジスティック回帰は、入力データを使用してバイナリ結果の確率を予測します。
研究の主な目的は、精度、精度、再現率、F1 スコアなどの要素を考慮して、マシンのパフォーマンスを予測および分析する際のこれらのアルゴリズムのパフォーマンスを評価することです。
この調査結果は、メンテナンス専門家が機械のパフォーマンスを効果的に予測および分析するために最適な機械学習アルゴリズムを選択するのに役立ちます。

要約(オリジナル)

In today’s technology-driven era, the imperative for predictive maintenance and advanced diagnostics extends beyond aviation to encompass the identification of damages, failures, and operational defects in rotating and moving machines. Implementing such services not only curtails maintenance costs but also extends machine lifespan, ensuring heightened operational efficiency. Moreover, it serves as a preventive measure against potential accidents or catastrophic events. The advent of Artificial Intelligence (AI) has revolutionized maintenance across industries, enabling more accurate and efficient prediction and analysis of machine failures, thereby conserving time and resources. Our proposed study aims to delve into various machine learning classification techniques, including Support Vector Machine (SVM), Random Forest, Logistic Regression, and Convolutional Neural Network LSTM-Based, for predicting and analyzing machine performance. SVM classifies data into different categories based on their positions in a multidimensional space, while Random Forest employs ensemble learning to create multiple decision trees for classification. Logistic Regression predicts the probability of binary outcomes using input data. The primary objective of the study is to assess these algorithms’ performance in predicting and analyzing machine performance, considering factors such as accuracy, precision, recall, and F1 score. The findings will aid maintenance experts in selecting the most suitable machine learning algorithm for effective prediction and analysis of machine performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google