論文の概要: Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform

• arxiv url: http://arxiv.org/abs/2009.00470v2
• Date: Mon, 18 Oct 2021 19:50:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 07:46:10.601119
• Title: Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform
• Title（参考訳）: シェープレット変換を用いた橋梁構造モニタリングのためのデータ異常検出
• Authors: Monica Arul and Ahsan Kareem
• Abstract要約: 多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。 SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。 本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the wider availability of sensor technology, a number of Structural Health Monitoring (SHM) systems are deployed to monitor civil infrastructure. The continuous monitoring provides valuable information about the structure that can help in providing a decision support system for retrofits and other structural modifications. However, when the sensors are exposed to harsh environmental conditions, the data measured by the SHM systems tend to be affected by multiple anomalies caused by faulty or broken sensors. Given a deluge of high-dimensional data collected continuously over time, research into using machine learning methods to detect anomalies are a topic of great interest to the SHM community. This paper contributes to this effort by proposing the use of a relatively new time series representation named Shapelet Transform in combination with a Random Forest classifier to autonomously identify anomalies in SHM data. The shapelet transform is a unique time series representation that is solely based on the shape of the time series data. In consideration of the individual characteristics unique to every anomaly, the application of this transform yields a new shape-based feature representation that can be combined with any standard machine learning algorithm to detect anomalous data with no manual intervention. For the present study, the anomaly detection framework consists of three steps: identifying unique shapes from anomalous data, using these shapes to transform the SHM data into a local-shape space and training machine learning algorithm on this transformed data to identify anomalies. The efficacy of this method is demonstrated by the identification of anomalies in acceleration data from a SHM system installed on a long-span bridge in China. The results show that multiple data anomalies in SHM data can be automatically detected with high accuracy using the proposed method.
• Abstract（参考訳）: センサー技術の普及に伴い、多くの構造健康モニタリング(SHM)システムが民間インフラを監視するためにデプロイされている。 継続的監視は、再構成やその他の構造変更のための意思決定支援システムを提供するのに役立つ構造に関する貴重な情報を提供する。 しかし、センサが厳しい環境条件にさらされると、SHMシステムによって測定されたデータは、故障や故障による複数の異常によって影響を受ける傾向にある。 時間とともに収集される大量の高次元データを考えると、異常を検出する機械学習手法を用いた研究はSHMコミュニティにとって大きな関心を集めている。 本稿では,比較的新しい時系列表現であるShapelet TransformとRandom Forest分類器を組み合わせることで,SHMデータの異常を自律的に識別する手法を提案する。 シェープレット変換は、時系列データの形状のみに基づく独自の時系列表現である。 各異常に特有の個々の特性を考慮して、この変換の適用により、任意の標準的な機械学習アルゴリズムと組み合わせて、手作業による介入なしに異常データを検出することができる、新しい形状に基づく特徴表現が得られる。 本研究では, 異常データからユニークな形状を識別し, これらの形状を用いて, SHMデータを局所的な形状空間に変換し, この変換されたデータに基づいて機械学習アルゴリズムを訓練し, 異常を識別する3つのステップからなる。 本手法の有効性は,中国の長大橋に設置したSHMシステムによる加速度データ中の異常の同定によって実証された。 その結果,SHMデータにおける複数のデータ異常を自動的に高精度に検出できることが示唆された。

関連論文リスト

• DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
  我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。 大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-05-13T13:47:15Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection [0.0]
  本稿では,Adaptive Dynamic Neighbor Mask (ADNM) 機構を導入し,それをTransformer and Denoising Diffusion Modelと統合する。 ADNMモジュールは、データ再構成中に入力と出力の特徴間の情報漏洩を軽減するために導入された。 Denoising Diffusion Transformer (DDT)は、Denoising Diffusion Modelのための内部ニューラルネットワーク構造としてTransformerを使用している。
  論文  参考訳（メタデータ） (2023-10-13T01:18:41Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• 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)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
  本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。 そして、復号ステージの復元誤差に基づいて異常検出を行う。
  論文  参考訳（メタデータ） (2020-02-07T09:53:46Z)

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。