論文の概要: A general anomaly detection framework for fleet-based condition
monitoring of machines
- arxiv url: http://arxiv.org/abs/1912.12941v3
- Date: Tue, 7 Jan 2020 11:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 02:25:13.737195
- Title: A general anomaly detection framework for fleet-based condition
monitoring of machines
- Title（参考訳）: 機械のフリート型状態監視のための汎用異常検出フレームワーク
- Authors: Kilian Hendrickx, Wannes Meert, Yves Mollet, Johan Gyselinck, Bram
Cornelis, Konstantinos Gryllias, Jesse Davis
- Abstract要約: 機械の故障は時間とともに減少し、補修コストや人的被害や環境汚染につながる可能性がある。
近年の状況監視技術では,手作業による手作業の分析や手作業による特徴抽出を回避すべく,人工知能を用いている。
本研究は、フリートベースの条件監視のための教師なし、汎用的、異常検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 16.51849885526826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine failures decrease up-time and can lead to extra repair costs or even
to human casualties and environmental pollution. Recent condition monitoring
techniques use artificial intelligence in an effort to avoid time-consuming
manual analysis and handcrafted feature extraction. Many of these only analyze
a single machine and require a large historical data set. In practice, this can
be difficult and expensive to collect. However, some industrial condition
monitoring applications involve a fleet of similar operating machines. In most
of these applications, it is safe to assume healthy conditions for the majority
of machines. Deviating machine behavior is then an indicator for a machine
fault. This work proposes an unsupervised, generic, anomaly detection framework
for fleet-based condition monitoring. It uses generic building blocks and
offers three key advantages. First, a historical data set is not required due
to online fleet-based comparisons. Second, it allows incorporating domain
expertise by user-defined comparison measures. Finally, contrary to most
black-box artificial intelligence techniques, easy interpretability allows a
domain expert to validate the predictions made by the framework. Two use-cases
on an electrical machine fleet demonstrate the applicability of the framework
to detect a voltage unbalance by means of electrical and vibration signatures.
- Abstract（参考訳）: 機械の故障は時間とともに減少し、補修コストや人的被害や環境汚染につながる可能性がある。
最近の状態監視技術は、時間を要する手動分析と手作りの特徴抽出を避けるために人工知能を使用している。
これらの多くは単一のマシンのみを分析し、大きな履歴データセットを必要とする。
実際には、収集が難しくて費用がかかる場合がある。
しかし、いくつかの産業条件監視アプリケーションには、同様のオペレーティングシステム群が含まれる。
これらのアプリケーションのほとんどは、ほとんどのマシンにとって健全な条件を仮定することは安全である。
マシンの振る舞いを逸脱することはマシンの障害の指標となる。
本研究は,フリート型状態監視のための教師なし,ジェネリック,異常検出フレームワークを提案する。
一般的なビルディングブロックを使用し、3つの重要な利点を提供する。
まず、オンラインのフリートベース比較のため、歴史的なデータセットは不要である。
第二に、ドメインの専門知識をユーザ定義の比較尺度で組み込むことができる。
最後に、ほとんどのブラックボックス人工知能技術とは対照的に、容易に解釈できるため、ドメインの専門家はフレームワークによってなされた予測を検証できる。
電気機械群における2つのユースケースは、電気的および振動的シグネチャを用いて電圧アンバランスを検出する枠組みの適用性を示す。
関連論文リスト
- Statistical Batch-Based Bearing Fault Detection [0.0]
回転機械の領域では、ベアリングはボール、インナーおよびアウターレース断層を含む異なる機械的断層に対して脆弱である。
古典的な信号分析から深層学習まで、様々な手法が条件に基づくモニタリングに利用できる。
論文 参考訳（メタデータ） (2024-07-24T12:45:02Z) - Condition monitoring and anomaly detection in cyber-physical systems [0.483420384410068]
本稿では,サイバー物理システムにおけるロバストで費用対効果の高い異常検出のための最近の機械学習手法の比較分析を行う。
監督された症例では,98%の精度でほぼ完全である。
対照的に、教師なし症例のベストケースの精度は63%であった。
論文 参考訳（メタデータ） (2023-01-22T00:58:01Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Artificial Intelligence based tool wear and defect prediction for
special purpose milling machinery using low-cost acceleration sensor
retrofits [0.0]
本稿では,加速度センサを応用して,そのような専用マシンの簡易な条件モニタリングを実現する。
ブレード摩耗, ブレード破損, 不適切な機械装着, 変速ベルト張力の不足など, 各種条件について検討した。
論文 参考訳（メタデータ） (2022-02-07T11:02:48Z) - LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak
Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。
本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。
我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文 参考訳（メタデータ） (2021-11-02T15:16:08Z) - Real-Time Predictive Maintenance using Autoencoder Reconstruction and
Anomaly Detection [0.2446672595462589]
回転機械故障検出システムは時代遅れであり、故障を発見するための定期的な試験に依存している。
リアルタイム監視は、手動による観察を必要とせずに障害を検出するソリューションを提供する。
本稿では,通常の作業動作をモデル化し,異常を検出する機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-01T12:25:25Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。
その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。
このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
論文 参考訳（メタデータ） (2021-02-02T09:59:23Z) - No Need to Know Physics: Resilience of Process-based Model-free Anomaly
Detection for Industrial Control Systems [95.54151664013011]
本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。
トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
論文 参考訳（メタデータ） (2020-12-07T11:02:44Z) - Predictive maintenance on event logs: Application on an ATM fleet [0.6961253535504979]
一部のアプリケーションでは、センサからの出力は利用できず、代わりにマシンによって生成されたイベントログが使用される。
本稿ではまず,予測保守問題の解決に文献で使用されるアプローチについて検討し,156台のマシンのイベントログを含む新しい公開データセットを提案する。
論文 参考訳（メタデータ） (2020-11-22T12:12:14Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳（メタデータ） (2020-07-07T10:00:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。