論文の概要: RelSen: An Optimization-based Framework for Simultaneously Sensor
Reliability Monitoring and Data Cleaning
- arxiv url: http://arxiv.org/abs/2004.08762v3
- Date: Thu, 6 Aug 2020 13:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 00:42:52.395413
- Title: RelSen: An Optimization-based Framework for Simultaneously Sensor
Reliability Monitoring and Data Cleaning
- Title（参考訳）: RelSen: センサの信頼性監視とデータのクリーニングを同時に行う最適化ベースのフレームワーク
- Authors: Cheng Feng, Xiao Liang, Daniel Schneegass, PengWei Tian
- Abstract要約: ほとんどのセンサアプリケーションでは、センサーはエラーを起こしやすいことが知られており、その測定は予想外のタイミングで誤解を招く可能性がある。
既存の研究では、センサーの信頼性の監視とセンサデータのクリーニングを別の問題と見なすことが多い。
本稿では,これら2つの問題に相互依存を利用して同時に対処する,新しい最適化ベースのフレームワークであるRelSenを提案する。
- 参考スコア（独自算出の注目度）: 7.359795285967954
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in the Internet of Things (IoT) technology have led to a
surge on the popularity of sensing applications. As a result, people
increasingly rely on information obtained from sensors to make decisions in
their daily life. Unfortunately, in most sensing applications, sensors are
known to be error-prone and their measurements can become misleading at any
unexpected time. Therefore, in order to enhance the reliability of sensing
applications, apart from the physical phenomena/processes of interest, we
believe it is also highly important to monitor the reliability of sensors and
clean the sensor data before analysis on them being conducted. Existing studies
often regard sensor reliability monitoring and sensor data cleaning as separate
problems. In this work, we propose RelSen, a novel optimization-based framework
to address the two problems simultaneously via utilizing the mutual dependence
between them. Furthermore, RelSen is not application-specific as its
implementation assumes a minimal prior knowledge of the process dynamics under
monitoring. This significantly improves its generality and applicability in
practice. In our experiments, we apply RelSen on an outdoor air pollution
monitoring system and a condition monitoring system for a cement rotary kiln.
Experimental results show that our framework can timely identify unreliable
sensors and remove sensor measurement errors caused by three types of most
commonly observed sensor faults.
- Abstract（参考訳）: モノのインターネット(IoT)技術の最近の進歩により、センサーアプリケーションの人気が高まっている。
その結果、人々はセンサーから得られる情報に頼り、日々の生活で意思決定をするようになる。
残念なことに、ほとんどのセンシングアプリケーションでは、センサーはエラーを起こしやすいことが知られており、その測定は予期しないタイミングで誤解を招く可能性がある。
したがって, センサの信頼性を高めるためには, 物理的現象やプロセスの他に, センサの信頼性を監視し, センサデータのクリーニングを行うことも重要であると信じている。
既存の研究では、センサーの信頼性モニタリングとセンサーデータのクリーニングを別個の問題と見なすことが多い。
本研究では,両者の相互依存を利用して,両問題に同時に対処する新しい最適化フレームワークRelSenを提案する。
さらに、RelSenは、監視下のプロセスダイナミクスに関する最小限の事前知識を前提として、アプリケーション固有のものではない。
これにより、一般性と適用性が大幅に向上する。
本研究では,RelSenを屋外大気汚染モニタリングシステムおよびセメントロータリーキルンの状態監視システムに適用した。
実験の結果,信頼性の低いセンサをタイムリーに識別し,最もよく観測される3種類のセンサ故障によるセンサ計測誤差を除去できることがわかった。
関連論文リスト
- MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。
本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。
本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
論文 参考訳（メタデータ） (2023-06-19T11:00:54Z) - Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors [2.374304682010306]
センサーは、時間の経過とともに誤った測定を行うときに、ローグと見なされる。
既存の方法は、よく動くセンサーが知られているか、ほとんどのセンサーがよく動くと仮定している。
コントラスト損失を有するニューラルネットワークを用いた自己制御型異常センサ検出器をDBSCANに次いで提案する。
論文 参考訳（メタデータ） (2023-05-09T14:47:16Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳（メタデータ） (2023-03-26T22:32:44Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Anomaly Detection and Inter-Sensor Transfer Learning on Smart
Manufacturing Datasets [6.114996271792091]
スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。
これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。
スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。
予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
論文 参考訳（メタデータ） (2022-06-13T17:51:24Z) - Sensor Sampling Trade-Offs for Air Quality Monitoring With Low-Cost
Sensors [0.1957338076370071]
本研究では, 対流圏オゾン, 二酸化窒素, 一酸化窒素の低コストセンサの校正におけるデータサンプリング戦略の影響について述べる。
具体的には,センササブシステムのデューティサイクルを最小化するサンプリング戦略によって,データ品質を維持しながら消費電力を削減できることを示す。
論文 参考訳（メタデータ） (2021-12-14T11:05:55Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - Complex-valued Convolutional Neural Networks for Enhanced Radar Signal
Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。
CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文 参考訳（メタデータ） (2021-04-29T10:06:29Z) - Anomaly Detection through Transfer Learning in Agriculture and
Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。
これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文 参考訳（メタデータ） (2021-02-11T02:37:27Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z)
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。