論文の概要: Real-time detection of uncalibrated sensors using Neural Networks
- arxiv url: http://arxiv.org/abs/2102.01565v1
- Date: Tue, 2 Feb 2021 15:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 02:02:45.660695
- Title: Real-time detection of uncalibrated sensors using Neural Networks
- Title(参考訳): ニューラルネットワークを用いた無補間センサのリアルタイム検出
- Authors: Luis J. Mu\~noz-Molina, Ignacio Cazorla-Pi\~nar, Juan P.
Dominguez-Morales, Fernando Perez-Pe\~na
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 62.997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, sensors play a major role in several contexts like science,
industry and daily life which benefit of their use. However, the retrieved
information must be reliable. Anomalies in the behavior of sensors can give
rise to critical consequences such as ruining a scientific project or
jeopardizing the quality of the production in industrial production lines. One
of the more subtle kind of anomalies are uncalibrations. An uncalibration is
said to take place when the sensor is not adjusted or standardized by
calibration according to a ground truth value. In this work, an online
machine-learning based uncalibration detector for temperature, humidity and
pressure sensors was developed. This solution integrates an Artificial Neural
Network as main component which learns from the behavior of the sensors under
calibrated conditions. Then, after trained and deployed, it detects
uncalibrations once they take place. The obtained results show that the
proposed solution is able to detect uncalibrations for deviation values of 0.25
degrees, 1% RH and 1.5 Pa, respectively. This solution can be adapted to
different contexts by means of transfer learning, whose application allows for
the addition of new sensors, the deployment into new environments and the
retraining of the model with minimum amounts of data.
- Abstract(参考訳): 現在、センサは、科学、産業、日常生活など、その使用の恩恵を受けるいくつかのコンテキストにおいて重要な役割を果たす。
しかし、取得した情報は信頼できるものでなければならない。
センサの挙動の異常は、科学プロジェクトを台無しにしたり、工業生産ラインにおける生産の質を損なうなどの重大な結果をもたらす可能性がある。
より微妙な種類の異常の1つは不均衡である。
地上真理値に応じてキャリブレーションによりセンサが調整または標準化されていない場合、不校正が行われると言われる。
本研究では,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。
そして、トレーニングとデプロイの後、一度発生した未校正を検出する。
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。
このソリューションは、新しいセンサーの追加、新しい環境へのデプロイ、最小限のデータ量でモデルのトレーニングを可能にするトランスファーラーニングによって異なるコンテキストに適応することができる。
関連論文リスト
- Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
南極のような遠隔地において、計測情報度を最大化し、センサーを効率的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、新しいセンサによって提供される不確実性低減を予測することにより、配置情報性を評価することができる。
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) - 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) - 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) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳(メタデータ) (2021-07-28T10:19:58Z) - 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) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳(メタデータ) (2021-01-12T12:02:26Z) - A Novel Method For Designing Transferable Soft Sensors And Its
Application [0.5735035463793008]
トランスファー可能なソフトセンサを設計するための,新しいトランスファー学習に基づく回帰手法であるDomain Adversarial Neural Network Regression (DANN-R)を提案する。
産業用発電所のSCADAシステムから収集したデータを用いて,提案手法の有効性について検討した。
論文 参考訳(メタデータ) (2020-08-05T15:20:03Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳(メタデータ) (2020-05-24T10:32:49Z) - RelSen: An Optimization-based Framework for Simultaneously Sensor
Reliability Monitoring and Data Cleaning [7.359795285967954]
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。
論文 参考訳(メタデータ) (2020-04-19T03:52:25Z)
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。