Core Concepts
深層学習が複雑なデータセットで優れた故障予測能力を持つことが示された。
Abstract
産業用メンテナンスにおけるシステムの故障予測において、非ニューラル機械学習と深層学習の比較が提案されました。3つの異なる産業ケースにおいて、異常パターンの多様性を定量化し、結果は、より多様な異常パターンを持つ複雑なデータセットにおいて深層学習が非ニューラル機械学習手法よりも優れていることを示しています。しかし、過去データ量の増加が必ずしも良い結果につながらないことも明らかになりました。この研究は、読み取りウィンドウと予測ウィンドウのサイズがモデルの性能に与える影響を評価しました。さらに、異常パターンの多様性や時間依存パターン前兆の効果的な分類方法も議論されました。
Stats
深層学習:0.787 F1スコア(RW: 10分, PW: 4時間)
ロジスティック回帰:0.604 F1スコア(RW: 10分, PW: 0.25時間)
LSTM:0.861 F1スコア(RW: 15分, PW: 2時間)
ランダムフォレスト:0.429 F1スコア(RW: 20分, PW: 1時間)
サポートベクトルマシン:0.783 F1スコア(RW: 20分, PW: 2時間)
Transformer:0.818 F1スコア(RW: 15分, PW: 2時間)
Quotes
"Results reveal Deep Learning superiority over non-neural Machine Learning approaches for failure prediction only for complex data sets with more diverse anomalous patterns."
"Alternative models are compared in terms of the effort needed to train them, the performances they deliver, and the relationship between such performances and the amount of input data used to make a prediction and the time horizon of the forecast."
"All methods lose predictive power when the horizon enlarges because the temporal correlation between the input and the predicted event tends to vanish."