CNN-LSTM Hybrid Deep Learning Model for Remaining Useful Life Estimation

要約

コンポーネントまたはシステムの残存耐用年数 (RUL) は、現時点から耐用年数の終わりまでの長さとして定義されます。
正確な RUL 推定は、予知保全アプリケーションにおいて重要な役割を果たします。
従来の回帰手法は、線形と非線形の両方で、この領域で高い精度を達成するのに苦労していました。
畳み込みニューラル ネットワーク (CNN) は精度の向上を示していますが、多くの場合、データの逐次的な性質を見落とし、代わりにスライディング ウィンドウから得られる特徴に依存しています。
RUL 予測には本質的に多変量時系列解析が含まれるため、堅牢なシーケンス学習が不可欠です。
この研究では、RUL 推定のために畳み込みニューラル ネットワークと長短期記憶 (LSTM) ネットワークを組み合わせたハイブリッド アプローチを提案します。
CNN ベースの LSTM モデルは財務予測におけるシーケンス予測タスクに適用されてきましたが、予後予測における RUL 推定にこのアプローチを採用するのはこれが初めての試みです。
このアプローチでは、まず CNN を使用してデータから特徴を効率的に抽出し、次に LSTM を使用して、これらの抽出された特徴を使用して RUL を予測します。
この方法では、センサーのシーケンス情報を効果的に活用し、複数の動作条件や障害シナリオの下でも、データ内の隠れたパターンを明らかにします。
私たちの結果は、ハイブリッド CNN-LSTM モデルが最高の精度を達成し、他の方法と比較して優れたスコアを提供することを示しています。

要約(オリジナル)

Remaining Useful Life (RUL) of a component or a system is defined as the length from the current time to the end of the useful life. Accurate RUL estimation plays a crucial role in Predictive Maintenance applications. Traditional regression methods, both linear and non-linear, have struggled to achieve high accuracy in this domain. While Convolutional Neural Networks (CNNs) have shown improved accuracy, they often overlook the sequential nature of the data, relying instead on features derived from sliding windows. Since RUL prediction inherently involves multivariate time series analysis, robust sequence learning is essential. In this work, we propose a hybrid approach combining Convolutional Neural Networks with Long Short-Term Memory (LSTM) networks for RUL estimation. Although CNN-based LSTM models have been applied to sequence prediction tasks in financial forecasting, this is the first attempt to adopt this approach for RUL estimation in prognostics. In this approach, CNN is first employed to efficiently extract features from the data, followed by LSTM, which uses these extracted features to predict RUL. This method effectively leverages sensor sequence information, uncovering hidden patterns within the data, even under multiple operating conditions and fault scenarios. Our results demonstrate that the hybrid CNN-LSTM model achieves the highest accuracy, offering a superior score compared to the other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google