Потенциал, проблемы и перспективные направления применения глубокого обучения в задачах прогнозирования и управления техническим состоянием
Potential, challenges and future directions for deep learning in prognostics and health management applications
2020-05-06
SCID: 54.1/jvvczkjs
Discuss with AI
сигналы мониторинга состоянияглубокое обучениеобнаружение и диагностика неисправностейпрогнозирование и управление техническим состояниемпрогнозирование остаточного ресурса
Figures from the paper
Abstract (AI)
За последнее десятилетие применение методов глубокого обучения активно развивалось во множестве различных областей, включая компьютерное зрение и понимание естественного языка. Доступность больших объемов данных, прорывы в разработке алгоритмов и достижения в области аппаратного обеспечения стали основными факторами стремительного развития глубокого обучения. Несмотря на то что сложные промышленные объекты широко контролируются, а также накоплены большие объемы сигналов мониторинга технического состояния, применение методов глубокого обучения для обнаружения, диагностики и прогнозирования отказов сложных промышленных объектов остается ограниченным. В настоящей статье представлен всесторонний анализ текущих разработок, факторов развития, проблем, потенциальных решений и перспективных направлений исследований в области применения глубокого обучения в задачах прогнозирования и управления техническим состоянием (PHM).
Key Findings
1
Глубокое обучение быстро развивалось в таких областях, как компьютерное зрение и понимание естественного языка, благодаря большим объёмам данных, алгоритмическим достижениям и развитию аппаратного обеспечения.
2
Несмотря на широкое мониторинг состояния сложных промышленных активов и наличие больших массивов сигналов, применение глубокого обучения для обнаружения, диагностики и прогнозирования неисправностей остаётся ограниченным.
3
В статье оцениваются современные разработки и факторы, способствующие применению глубокого обучения в задачах прогнозирования и управления техническим состоянием.
4
Обзор выявляет проблемы, потенциальные решения и направления дальнейших исследований для применения глубокого обучения к PHM сложных промышленных активов.
Research Object
глубокое обучение, применяемое для прогностики и управления техническим состоянием (PHM) сложных промышленных активов
Research Subject
потенциал, проблемы, текущие разработки, решения и будущие направления исследований по применению глубокого обучения для обнаружения, диагностики и прогнозирования неисправностей
Publication Details
Publication Date
2020-05-06
Journal
Publisher
ISSN
Cited by
560
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai19
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Градиентное обучение для распознавания документов1998
Почему я должен вам доверять?2016
Обучение нескольких слоев признаков на маленьких изображениях2024
Нейронные сети и физические системы с возникающими коллективными вычислительными способностями.1982
Искусственный интеллект: современный подход1995
Распознавание образов и машинное обучение2007
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Обучение представлений: обзор и новые перспективы2013
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Распознавание речи с помощью глубоких рекуррентных нейронных сетей2013
mixup: За пределами эмпирической минимизации риска2017
Система нейронного машинного перевода Google: сокращение разрыва между человеческим и машинным переводом2016
Полуобучение2006
Wide & Deep Learning для рекомендательных систем2016
Конвейер с поддержкой искусственного интеллекта для динамической генерации достоверного контента о пищевых добавках в больших масштабах2022