Predictive maintenance with Bayesian deep learning

Nabergoj, David (avtor), Štrumbelj, Erik (mentor)

We assess the usability of Bayesian deep learning methods for remaining useful life estimation. To compare Bayesian models to standard deep learning models, we propose a model evaluation method based on simulated device maintenance. We find that Bayesian models outperform their architecturally equivalent deep learning models on synthetic data as well as on two benchmark datasets. The proposed evaluation method is relevant for practical applications and research, as it directly estimates maintenance costs and allows for more easily interpretable model comparisons.

• Jezik: Angleški jezik
• Ključne besede: predictive maintenance, remaining useful life, Bayesian deep learning, model evaluation
• Vrsta gradiva: Magistrsko delo/naloga
• Tipologija: 2.09 - Magistrsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2021
• PID: 20.500.12556/RUL-133124
• COBISS.SI-ID: 84824579
• Datum objave v RUL: 12.11.2021

Sekundarni jezik

• Jezik: Slovenski jezik
• Naslov: Napovedovalno vzdrževanje z Bayesovim globokim učenjem

Izvleček

V tej nalogi ocenimo uporabnost metod Bayesovega globokega učenja za ocenjevanje preostale dobe koristnosti naprav. Predlagamo metodo za vrednotenje modelov, ki temelji na simuliranem vzdrževanju naprav. Na podlagi eksperimentov z umetnimi podatki in dvema referenčnima podatkovnima množicama ugotovimo, da so Bayesovi modeli boljši kot standardni globoki modeli z enako arhitekturo. Predlagana metoda za vrednotenje je relevantna v praktičnih aplikacijah in raziskovanju, saj neposredno oceni stroške vzdrževanja in omogoča interpretabilno primerjavo modelov.

• Ključne besede: Napovedovalno vzdrževanje, preostala doba koristnosti, Bayesovo globoko učenje, vrednotenje modelov