Gaussian process latent variable model and Bayesian inference for non-parametric failure modeling applied to ship engine
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
Unnecessary early maintenance is especially critical for high-value or essential components whose unexpected failures could disrupt the entire operational process of the system. The uncertainties inherent in facility deterioration necessitate a robust framework that accurately assesses system health and guides optimal maintenance scheduling. To this end, this paper proposes a probabilistic machine learning framework based on a Gaussian Process Latent Variable Model (GPLVM) combined with Bayesian Inference (BI) to dynamically assess the health state of system and predict failure risk. The model integrates uncertainty quantification through BI, providing a non-parametric hazard rate estimate at each time step, which enables a precise and adaptive maintenance planning strategy. To verify the proposed model, a critical component of an engine – spark ignition, is considered as the case study. Herein, ignition voltage is monitored as the primary indicator of spark health, with degradation thresholds and safety thresholds explicitly modeled to capture degradation trends accurately. The results indicate that 96.5% of the observations fell within precise predictive range (according to Pareto Diagnostics values), underscoring the model’s promise for maintenance planning. This approach has the potential not only to improve predictive accuracy and decision confidence but can also provide a flexible, non-parametric solution adaptable to various high-stakes maintenance applications.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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