論文の概要: Data-Driven Fault Diagnosis Analysis and Open-Set Classification of Time-Series Data

• arxiv url: http://arxiv.org/abs/2009.04756v2
• Date: Thu, 11 Aug 2022 20:36:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 03:11:34.393083
• Title: Data-Driven Fault Diagnosis Analysis and Open-Set Classification of Time-Series Data
• Title（参考訳）: データ駆動型故障診断解析と時系列データのオープンセット分類
• Authors: Andreas Lundgren and Daniel Jung
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fault diagnosis of dynamic systems is done by detecting changes in time-series data, for example residuals, caused by system degradation and faulty components. The use of general-purpose multi-class classification methods for fault diagnosis is complicated by imbalanced training data and unknown fault classes. Another complicating factor is that different fault classes can result in similar residual outputs, especially for small faults, which causes classification ambiguities. In this work, a framework for data-driven analysis and open-set classification is developed for fault diagnosis applications using the Kullback-Leibler divergence. A data-driven fault classification algorithm is proposed which can handle imbalanced datasets, class overlapping, and unknown faults. In addition, an algorithm is proposed to estimate the size of the fault when training data contains information from known fault realizations. An advantage of the proposed framework is that it can also be used for quantitative analysis of fault diagnosis performance, for example, to analyze how easy it is to classify faults of different magnitudes. To evaluate the usefulness of the proposed methods, multiple datasets from different fault scenarios have been collected from an internal combustion engine test bench to illustrate the design process of a data-driven diagnosis system, including quantitative fault diagnosis analysis and evaluation of the developed open set fault classification algorithm.
• Abstract（参考訳）: 動的システムの故障診断は、例えばシステムの劣化と不良成分に起因する残差などの時系列データの変化を検出することによって行われる。 不均衡なトレーニングデータと未知の障害クラスによって, 汎用的多クラス分類法を用いた断層診断が複雑になる。 もう一つの複雑化要因は、異なる断層クラスが類似した残差出力をもたらすことであり、特に小さな断層の場合、分類の曖昧さを引き起こす。 本研究では,Kullback-Leibler分散を用いた故障診断のための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を開発した。 不均衡データセット、クラス重複、未知の障害を扱うデータ駆動型障害分類アルゴリズムを提案する。 さらに、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の故障の大きさを推定するアルゴリズムを提案する。 提案手法の利点は, 故障診断性能の定量的解析にも利用できる点である。 提案手法の有用性を評価するために, 内燃機関試験ベンチから異なる故障シナリオから複数のデータセットを収集し, 定量的故障診断解析および開発したオープンセット故障分類アルゴリズムの評価を含むデータ駆動診断システムの設計プロセスを説明する。

関連論文リスト

• Empirical Perturbation Analysis of Linear System Solvers from a Data Poisoning Perspective [16.569765598914152]
  本稿では,入力データの誤りが,敵攻撃に共通する摂動下での線形システム解法による解の適合誤差と精度に与える影響について検討する。 我々は2つの異なる知識レベルによるデータ摂動を提案し、毒素最適化を開発し、ラベル誘導摂動(LP)と無条件摂動(UP)という2つの摂動方法を研究する。 データ中毒の場合のように、データが意図的に摂動している状況下では、異なる種類の解法がこれらの摂動にどのように反応するかを理解し、異なる種類の敵攻撃によって最も影響を受けるアルゴリズムを特定する。
  論文  参考訳（メタデータ） (2024-10-01T17:14:05Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• Probabilistic Bearing Fault Diagnosis Using Gaussian Process with Tailored Feature Extraction [10.064000794573756]
  転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。 現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。 本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-09-19T18:34:29Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Residual Generation Using Physically-Based Grey-Box Recurrent Neural Networks For Engine Fault Diagnosis [1.0152838128195467]
  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。
  論文  参考訳（メタデータ） (2020-08-11T11:59:48Z)
• 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)
• Implicit supervision for fault detection and segmentation of emerging fault types with Deep Variational Autoencoders [1.160208922584163]
  本研究では,ラベル付きおよびラベルなしサンプルを用いた可変オートエンコーダ(VAE)を提案する。 これによりコンパクトで情報に富んだ潜在表現が生成され、未確認のフォールトタイプの検出とセグメンテーションが良好になる。 本研究では,提案手法が他の学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2019-12-28T18:40:33Z)

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。