論文の概要: Residual Generation Using Physically-Based Grey-Box Recurrent Neural
Networks For Engine Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2008.04644v1
- Date: Tue, 11 Aug 2020 11:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 12:13:19.574437
- Title: Residual Generation Using Physically-Based Grey-Box Recurrent Neural
Networks For Engine Fault Diagnosis
- Title（参考訳）: エンジン故障診断のための物理ベースグレイボックスリカレントニューラルネットワークによる残留生成
- Authors: Daniel Jung
- Abstract要約: 物理モデルと利用可能なトレーニングデータを組み合わせたハイブリッド故障診断手法は有望な結果を示した。
システムモデルの二部グラフ表現を用いて自動残差設計を行い、グレーボックス再帰ニューラルネットワークを設計する。
内燃機関テストベンチからのデータは、機械学習とモデルに基づく故障診断技術を組み合わせる可能性を示すために使用される。
- 参考スコア（独自算出の注目度）: 1.0152838128195467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven fault diagnosis is complicated by unknown fault classes and
limited training data from different fault realizations. In these situations,
conventional multi-class classification approaches are not suitable for fault
diagnosis. One solution is the use of anomaly classifiers that are trained
using only nominal data. Anomaly classifiers can be used to detect when a fault
occurs but give little information about its root cause. Hybrid fault diagnosis
methods combining physically-based models and available training data have
shown promising results to improve fault classification performance and
identify unknown fault classes. Residual generation using grey-box recurrent
neural networks can be used for anomaly classification where physical insights
about the monitored system are incorporated into the design of the machine
learning algorithm. In this work, an automated residual design is developed
using a bipartite graph representation of the system model to design grey-box
recurrent neural networks and evaluated using a real industrial case study.
Data from an internal combustion engine test bench is used to illustrate the
potentials of combining machine learning and model-based fault diagnosis
techniques.
- Abstract（参考訳）: データ駆動型障害診断は、未知の障害クラスと異なる障害実現からの限られたトレーニングデータによって複雑である。
このような状況下では,従来のマルチクラス分類手法は故障診断には適さない。
一つの解決策は、名目データのみを使用してトレーニングされる異常分類器の使用である。
異常分類器は障害発生時の検出に使用することができるが、その根本原因に関する情報はほとんど得られない。
物理モデルと利用可能なトレーニングデータを組み合わせたハイブリッド断層診断手法は,故障分類性能の向上と未知の故障クラス同定に有望な結果を示した。
グレーボックスリカレントニューラルネットワークを用いた残差生成は、監視されたシステムに関する物理的洞察を機械学習アルゴリズムの設計に組み込んだ異常分類に使用できる。
本研究では,システムモデルの2部グラフ表現を用いて,グレイボックスリカレントニューラルネットワークの設計を行い,実際の産業ケーススタディを用いて評価する。
内燃機関テストベンチからのデータは、機械学習とモデルに基づく故障診断技術を組み合わせる可能性を示すために使用される。
関連論文リスト
- Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラ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） (2023-11-27T03:25:12Z) - An Intelligent Approach to Detecting Novel Fault Classes for Centrifugal
Pumps Based on Deep CNNs and Unsupervised Methods [0.0]
本稿では,システム障害の部分的知識を仮定し,それに対応するデータを用いて畳み込みニューラルネットワークを訓練する。
次に、新しい断層を検出するために、t-SNE法とクラスタリング法の組み合わせを用いる。
論文 参考訳（メタデータ） (2023-09-22T10:10:30Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳（メタデータ） (2023-08-25T15:25:57Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳（メタデータ） (2021-03-27T04:47:59Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Data-Driven Fault Diagnosis Analysis and Open-Set Classification of
Time-Series Data [1.0152838128195467]
データ駆動解析とオープンセット分類のためのフレームワークが,故障診断への応用のために開発された。
不均衡なデータセット、クラスオーバーラップ、未知の障害を処理できるデータ駆動型障害分類アルゴリズムが提案されている。
トレーニングデータに既知の故障認識の情報が含まれている場合, 故障の大きさを推定するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-10T09:53:13Z) - Oversampling Adversarial Network for Class-Imbalanced Fault Diagnosis [12.526197448825968]
クラス不均衡問題は、データをタイムリーに予測し分類できる堅牢な学習システムを必要とする。
本稿では,同時分類と故障検出のための新しい対向ネットワークを提案する。
論文 参考訳（メタデータ） (2020-08-07T10:12:07Z) - Neuromorphic AI Empowered Root Cause Analysis of Faults in Emerging
Networks [3.710841042000923]
我々は、完全に自動化された自己修復システムに向けた重要なステップを提供する、AIベースの障害診断ソリューションを提案する。
提案手法の性能を,文学における最先端解と比較する。
その結果,ニューロモルフィック・コンピューティング・モデルは,他のモデルと比較して高い分類精度が得られた。
論文 参考訳（メタデータ） (2020-05-04T13:26:56Z)
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。