Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Toward accurate RUL and SOH estimation using reinforced graph-based PINNs enhanced with dynamic weights

Created by
  • Haebom

저자

Mohamadreza Akbari Pour, Ali Ghasemzadeh, MohamadAli Bijarchi, Mohammad Behshad Shafii

개요

본 논문은 산업 전반의 예지보전(PHM)에 필수적인 잔여수명(RUL) 및 건전성상태(SOH) 추정을 위한 새로운 프레임워크인 RGPD(Reinforced Graph-Based Physics-Informed Neural Networks Enhanced with Dynamic Weights)를 제안한다. RGPD는 물리 기반 감독과 고급 시공간 학습을 결합하여, 그래프 합성곱 순환 네트워크(GCRN)와 그래프 어텐션 합성곱(GATConv)을 이용하여 노드 표현의 시간적 변화와 이웃 노드의 기여도를 동적으로 가중치를 부여하여 학습한다. 소프트 액터-크리틱(SAC) 모듈은 시공간 학습을 더욱 향상시키고, Q-학습 에이전트는 물리 기반 손실 항에 동적으로 가중치를 할당하여 실시간 산업 시스템 전반의 일반화를 개선하고 수동 조정의 필요성을 줄인다. 세 가지 다양한 산업 벤치마크 데이터셋에서 기존 최고 성능 모델을 능가하는 RUL 및 SOH 추정 성능을 보여준다.

시사점, 한계점

•
시사점:
◦
물리 기반 감독과 고급 시공간 학습을 결합한 새로운 RUL 및 SOH 추정 프레임워크 제시
◦
GCRN, GATConv, SAC 모듈을 활용하여 시공간 학습 및 예측 정확도 향상
◦
Q-학습 기반 동적 가중치 할당으로 물리적 제약 조건의 효율적 활용 및 일반화 성능 개선
◦
다양한 산업 벤치마크 데이터셋에서 기존 모델 대비 우수한 성능 입증
•
한계점:
◦
제안된 모델의 복잡성으로 인한 계산 비용 증가 가능성
◦
다양한 산업 환경에 대한 일반화 성능 검증 추가 필요
◦
Q-학습 에이전트의 학습 안정성 및 효율성에 대한 추가 연구 필요
◦
실제 산업 현장 적용을 위한 추가적인 검증 및 최적화 필요
👍
Made with Slashpage