論文の概要: Detection of Anomalies and Faults in Industrial IoT Systems by Data
Mining: Study of CHRIST Osmotron Water Purification System
- arxiv url: http://arxiv.org/abs/2009.03645v1
- Date: Tue, 8 Sep 2020 11:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 21:31:29.256331
- Title: Detection of Anomalies and Faults in Industrial IoT Systems by Data
Mining: Study of CHRIST Osmotron Water Purification System
- Title（参考訳）: データマイニングによる産業用IoTシステムの異常・故障検出:CHRISTオモトロン水質浄化システムの検討
- Authors: Mohammad Sadegh Sadeghi Garmaroodi, Faezeh Farivar, Mohammad Sayad
Haghighi, Mahdi Aliyari Shoorehdeli, Alireza Jolfaei
- Abstract要約: 本稿では, 工業用医薬品システム, 特に水質浄化システムについて述べる。
ほぼ全ての製薬会社は、その相互依存システムの一部として水質浄化ユニットを持っている。
エッジの欠陥の早期検出は、メンテナンスコストを大幅に削減し、安全性と出力品質を向上させる。
- 参考スコア（独自算出の注目度）: 15.06694204377327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industry 4.0 will make manufacturing processes smarter but this smartness
requires more environmental awareness, which in case of Industrial Internet of
Things, is realized by the help of sensors. This article is about industrial
pharmaceutical systems and more specifically, water purification systems.
Purified water which has certain conductivity is an important ingredient in
many pharmaceutical products. Almost every pharmaceutical company has a water
purifying unit as a part of its interdependent systems. Early detection of
faults right at the edge can significantly decrease maintenance costs and
improve safety and output quality, and as a result, lead to the production of
better medicines. In this paper, with the help of a few sensors and data mining
approaches, an anomaly detection system is built for CHRIST Osmotron water
purifier. This is a practical research with real-world data collected from
SinaDarou Labs Co. Data collection was done by using six sensors over two-week
intervals before and after system overhaul. This gave us normal and faulty
operation samples. Given the data, we propose two anomaly detection approaches
to build up our edge fault detection system. The first approach is based on
supervised learning and data mining e.g. by support vector machines. However,
since we cannot collect all possible faults data, an anomaly detection approach
is proposed based on normal system identification which models the system
components by artificial neural networks. Extensive experiments are conducted
with the dataset generated in this study to show the accuracy of the
data-driven and model-based anomaly detection methods.
- Abstract（参考訳）: 産業 4.0は製造プロセスをよりスマートにするが、このスマートさは、産業用モノのインターネットの場合、センサーの助けを借りて実現される環境意識を高める必要がある。
本稿では, 工業用医薬品システム, 特に水質浄化システムについて述べる。
特定の導電性を有する精製水は多くの医薬品の重要な成分である。
ほとんど全ての製薬会社は、相互依存システムの一部として浄水ユニットを持っている。
エッジの欠陥を早期に検出することは、メンテナンスコストを著しく削減し、安全性と出力品質を改善し、その結果、より良い医薬品の製造につながる。
本稿では,いくつかのセンサとデータマイニング手法を用いて,キリストオスモトロン浄水器のための異常検知システムを構築した。
これはSinaDarou Labs Coから収集された実世界のデータによる実践的研究である。
データ収集は、システムオーバーホール前後の2週間の間隔で6つのセンサーを使用して行われた。
これにより、正常で故障したオペレーションサンプルが得られました。
このデータから,エッジ故障検出システムを構築するための2つの異常検出手法を提案する。
最初のアプローチは、例えばサポートベクトルマシンによる教師付き学習とデータマイニングに基づいている。
しかし、可能なすべての障害データを収集できないため、ニューラルネットワークを用いてシステムコンポーネントをモデル化する通常のシステム同定に基づいて異常検出手法を提案する。
本研究では,データ駆動およびモデルに基づく異常検出手法の精度を示すために,データセットを用いて広範な実験を行った。
関連論文リスト
- Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - Anomaly Detection in Industrial Machinery using IoT Devices and Machine
Learning: a Systematic Mapping [0.0]
IoT(Internet of Things)は、産業機械から大量のデータを収集することを可能にする。
しかし、モノのインターネットによって生成されるデータの量と複雑さは、人間が手動で異常を検出するのを困難にしている。
機械学習(ML)アルゴリズムは、生成されたデータを分析することによって、産業機械における異常検出を自動化することができる。
論文 参考訳（メタデータ） (2023-07-28T20:58:00Z) - 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) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - 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) - Smart IoT-Biofloc water management system using Decision regression tree [0.0]
バイオフロック技術は、従来の農業を高度なインフラに変え、バクテリアのバイオマスへと転換することで、余剰食品の利用を可能にする。
本稿では,センサからデータを収集し,データをクラウドに保存し,機械学習モデルを用いて水の状態を予測するシステムを紹介し,アンドロイドアプリによるリアルタイムモニタリングを行う。
論文 参考訳（メタデータ） (2021-12-05T14:12:07Z) - Data-based Design of Inferential Sensors for Petrochemical Industry [0.0]
産業において、不正確な(またはソフトな)センサーは、オンラインで測定された変数から不正確かつ稀に測定された(または完全に測定されていない)変数の値を推測するために用いられる。
本研究は, 石油精製装置2基の工業蒸留塔の製品組成推定センサの設計に焦点をあてたものである。
論文 参考訳（メタデータ） (2021-06-25T08:48:50Z) - 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) - 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) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。