A Digital Twin Framework Utilizing Machine Learning for Robust Predictive Maintenance: Enhancing Tire Health Monitoring

要約

長期的な物理システムの予知保全のための新しいデジタル ツイン フレームワークを紹介します。
タイヤの状態の監視をアプリケーションとして使用し、デジタル ツイン フレームワークを使用して自動車の安全性と効率を向上させる方法と、3 段階のアプローチを使用して技術的課題を克服する方法を示します。
まず、長い運用期間にわたるデータの複雑さを管理するために、データ削減技術を採用し、過去のパフォーマンスと使用状況データを使用して物理的なタイヤを簡潔に表現します。
これらのデータに基づいて、高速リアルタイム予測を行うために、簡潔なデータセット上で変圧器ベースのモデルをオフラインでトレーニングし、残留ケーシング ポテンシャル (RCP) として表される将来のタイヤの状態を時間の経過とともに予測します。
私たちのアーキテクチャに基づいて、私たちのモデルは認識的不確実性と偶然的不確実性の両方を定量化し、予測される RCP の信頼できる信頼区間を提供します。
次に、リアルタイム データを組み込むために、デジタル ツイン フレームワーク内の予測モデルを更新し、ハイブリッド モデリングと不一致関数の使用により、その寿命全体にわたってその精度を保証します。
第三に、予知保全における意思決定を支援するために、変圧器モデルによって予測された RCP に基づいてタイヤ交換の最適なタイミングを戦略的に決定するタイヤ状態決定アルゴリズムを実装します。
このアプローチにより、当社のデジタル ツインはシステムの健全性を正確に予測し、そのデジタル表現を継続的に改良し、予測メンテナンスの決定をサポートします。
当社のフレームワークは物理システムを効果的に具体化し、ビッグデータと機械学習を活用して予知保全、モデルの更新、意思決定を行います。

要約(オリジナル)

We introduce a novel digital twin framework for predictive maintenance of long-term physical systems. Using monitoring tire health as an application, we show how the digital twin framework can be used to enhance automotive safety and efficiency, and how the technical challenges can be overcome using a three-step approach. Firstly, for managing the data complexity over a long operation span, we employ data reduction techniques to concisely represent physical tires using historical performance and usage data. Relying on these data, for fast real-time prediction, we train a transformer-based model offline on our concise dataset to predict future tire health over time, represented as Remaining Casing Potential (RCP). Based on our architecture, our model quantifies both epistemic and aleatoric uncertainty, providing reliable confidence intervals around predicted RCP. Secondly, to incorporate real-time data, we update the predictive model in the digital twin framework, ensuring its accuracy throughout its life span with the aid of hybrid modeling and the use of discrepancy function. Thirdly, to assist decision making in predictive maintenance, we implement a Tire State Decision Algorithm, which strategically determines the optimal timing for tire replacement based on RCP forecasted by our transformer model. This approach ensures our digital twin accurately predicts system health, continually refines its digital representation, and supports predictive maintenance decisions. Our framework effectively embodies a physical system, leveraging big data and machine learning for predictive maintenance, model updates, and decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google