인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
As naval maintenance shifts to condition-based maintenance (CBM), estimating gas-turbine degradation from sensor data is essential. Using the public CODLAG frigate dataset, this study moves beyond model comparison and contributes along three axes. First, because the data is a deterministic full-factorial simulator grid, conventional random cross-validation overstates accuracy: six nonlinear models score R²≥0.97, yet all models degrade sharply under extrapolation to unseen operating points or decay levels; repeated runs over five seeds show a multilayer perceptron (MLP) robustly retains a positive R² only under decay-level extrapolation (0.94±0.03 for the compressor decay coefficient), while under operating-point extrapolation even its R² is unstable across seeds (mean -0.08±0.51)—and rankings reshuffle. Second, we link prediction to decisions through cost-based model selection, sensor-portfolio optimization, conformal prediction intervals, and inspection-policy optimization; a policy designed under optimistic (interpolation) error costs about 46.6% more under realistic error. Third, beyond Gaussian noise we assess structural noise, showing MLP is fragile to outliers and missingness while random forests are robust. Significance is confirmed by Friedman and Nemenyi tests. The study recalibrates achievable CBM performance and offers decision-oriented guidance.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
