A Data-Driven Predictive Maintenance Approach for Industry 4.0 Using LSTM with Cross-Validation and the IDAIC Framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the current context of intense competition, industrial maintenance plays a crucial role in ensuring the performance and resilience of companies.It ensures the continuous availability of equipment, which is essential to avoid unplanned downtime that can lead to significant economic losses.Moreover, maintenance improves production quality by reducing failures and manufacturing defects, and by optimizing the costs associated with maintenance interventions.Predictive maintenance, which is a fundamental part of Industry 4.0, allows for anticipating failures before they occur by leveraging real-time data to predict malfunctions and plan the necessary actions.This not only reduces unplanned downtime but also lowers the overall cost of repairs and equipment replacements.However, data acquisition and processing present major challenges for data science project managers, as they require appropriate frameworks and approaches tailored to each problem and context.This study proposes an innovative solution with a predictive maintenance model developed using the industrial data analysis improvement cycle (IDAIC) approach, specifically designed for industrial maintenance projects.By using a deep learning algorithm, long short-term memory (LSTM), and techniques such as early stopping, the model was applied to the data of a plastic injection molding machine and achieved impressive results.With an R of 96% and an MSE of 99%, it presents itself as a powerful decision-support tool for industrial maintenance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle