Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics

要約

この論文では、産業用ロボットのシステム障害を予測するための、拡張分位回帰ニューラル ネットワーク EQRNN を中心とした新しい予測メンテナンス フレームワークを紹介します。
当社は、高度なニューラル アーキテクチャを組み合わせたハイブリッド アプローチを通じて、早期故障検出の課題に取り組みます。
このシステムは、二重の計算段階を活用しています。まず、振動、熱、電力シグネチャを含むマルチセンサー データ ストリームの処理に最適化された EQRNN を実装し、続いて、マイクロ秒レベルの応答時間を可能にする統合スパイキング ニューラル ネットワーク SNN レイヤーを実装します。
このアーキテクチャは、90 時間の事前警告ウィンドウでコンポーネントの故障予測において 92.3\% という顕著な精度を達成します。
50 台のロボット システムを使用して工業規模で実施されたフィールド テストでは、大幅な運用改善が実証され、予期しないシステム障害が 94% 減少し、メンテナンス関連のダウンタイムが 76% 減少しました。
計算効率を維持しながら複雑なマルチモーダル センサー データを処理するこのフレームワークの有効性は、インダストリー 4.0 製造環境への適用可能性を検証します。

要約(オリジナル)

This paper presents a novel predictive maintenance framework centered on Enhanced Quantile Regression Neural Networks EQRNNs, for anticipating system failures in industrial robotics. We address the challenge of early failure detection through a hybrid approach that combines advanced neural architectures. The system leverages dual computational stages: first implementing an EQRNN optimized for processing multi-sensor data streams including vibration, thermal, and power signatures, followed by an integrated Spiking Neural Network SNN, layer that enables microsecond-level response times. This architecture achieves notable accuracy rates of 92.3\% in component failure prediction with a 90-hour advance warning window. Field testing conducted on an industrial scale with 50 robotic systems demonstrates significant operational improvements, yielding a 94\% decrease in unexpected system failures and 76\% reduction in maintenance-related downtimes. The framework’s effectiveness in processing complex, multi-modal sensor data while maintaining computational efficiency validates its applicability for Industry 4.0 manufacturing environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google