Machine Learning Approaches for Diagnostics and Prognostics of Industrial Systems Using Open Source Data from PHM Data Challenges: A Review

要約

予後診断と健康管理 (PHM) の分野では、近年、機械学習 (ML) の応用が大幅に増加しています。
この成長にもかかわらず、この分野は、さまざまなシナリオにわたる産業用オープンソース データに関するこれらの ML 技術と包括的な分析を効果的に実装するための統一されたガイドラインと体系的なアプローチの欠如に取り組んでいます。
これらのギャップに対処するために、このペーパーでは、PHM Society と IEEE Reliability Society によって 2018 年から 2023 年に開催された PHM Data Challenge Competition のオープンソース データセットを使用した、産業システムの診断と予後のための ML アプローチの包括的なレビューを提供し、統一された ML フレームワークを要約します。
このレビューでは、これらのコンテストで実証された問題、課題、方法論、進歩を系統的に分類して精査し、検出、診断、評価、予後に関する複雑な産業タスクに取り組む際の従来の機械学習と深層学習の両方の役割が進化していることに焦点を当てています。
さらに、この論文では、データ関連およびモデル関連の問題を強調し、これらのコンテストの限界を評価することによって、PHM データ チャレンジ コンテストに共通する課題を掘り下げています。
これらの課題に対処するための潜在的な解決策もまとめられています。
最後に、将来の研究の主要なテーマと潜在的な方向性を特定し、PHM ドメインにおける次世代 ML-PHM 開発の機会と展望を提供します。

要約(オリジナル)

In the field of Prognostics and Health Management (PHM), recent years have witnessed a significant surge in the application of machine learning (ML). Despite this growth, the field grapples with a lack of unified guidelines and systematic approaches for effectively implementing these ML techniques and comprehensive analysis regarding industrial open-source data across varied scenarios. To address these gaps, this paper provides a comprehensive review of ML approaches for diagnostics and prognostics of industrial systems using open-source datasets from PHM Data Challenge Competitions held between 2018 and 2023 by PHM Society and IEEE Reliability Society and summarizes a unified ML framework. This review systematically categorizes and scrutinizes the problems, challenges, methodologies, and advancements demonstrated in these competitions, highlighting the evolving role of both conventional machine learning and deep learning in tackling complex industrial tasks related to detection, diagnosis, assessment, and prognosis. Moreover, this paper delves into the common challenges in PHM data challenge competitions by emphasizing data-related and model-related issues and evaluating the limitations of these competitions. The potential solutions to address these challenges are also summarized. Finally, we identify key themes and potential directions for future research, providing opportunities and prospects for next-generation ML-PHM development in PHM domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google