Automated Machine Learning for Remaining Useful Life Predictions

要約

エンジニアリング システムの残存耐用年数 (RUL) を予測できることは、予後予測と健全性管理において重要なタスクです。
最近では、エンジニアリング システムの基礎となる物理的知識が必要ないため、RUL 予測に対するデータ駆動型のアプローチがモデルベースのアプローチよりも普及しつつあります。
しかし、これは基礎となる物理学の必要な専門知識を機械学習 (ML) の専門知識に置き換えるだけであり、これも利用できないことがよくあります。
自動機械学習 (AutoML) は、エンドツーエンドの ML パイプラインを自動的に構築し、ML の専門知識を持たないドメイン専門家でも独自のモデルを作成できるようにすることを約束します。
このペーパーでは、自動 RUL 予測のための AutoML 主導のエンドツーエンド アプローチである AutoRUL を紹介します。
AutoRUL は、微調整された標準回帰手法を高い予測力を持つアンサンブルに組み合わせます。
8 つの現実世界および合成データセットで提案された手法を最先端の手作りモデルと比較して評価することにより、AutoML が手作りのデータ駆動型 RUL 予測に代わる実行可能な代替手段を提供することを示します。
その結果、データ駆動型モデルの構築から ML の専門知識を排除することで、AutoML を使用する分野の専門家にとって、RUL 予測の作成がよりアクセスしやすくなります。

要約(オリジナル)

Being able to predict the remaining useful life (RUL) of an engineering system is an important task in prognostics and health management. Recently, data-driven approaches to RUL predictions are becoming prevalent over model-based approaches since no underlying physical knowledge of the engineering system is required. Yet, this just replaces required expertise of the underlying physics with machine learning (ML) expertise, which is often also not available. Automated machine learning (AutoML) promises to build end-to-end ML pipelines automatically enabling domain experts without ML expertise to create their own models. This paper introduces AutoRUL, an AutoML-driven end-to-end approach for automatic RUL predictions. AutoRUL combines fine-tuned standard regression methods to an ensemble with high predictive power. By evaluating the proposed method on eight real-world and synthetic datasets against state-of-the-art hand-crafted models, we show that AutoML provides a viable alternative to hand-crafted data-driven RUL predictions. Consequently, creating RUL predictions can be made more accessible for domain experts using AutoML by eliminating ML expertise from data-driven model construction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google