論文の概要: Real-Time Predictive Maintenance using Autoencoder Reconstruction and
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2110.01447v1
- Date: Fri, 1 Oct 2021 12:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 07:18:30.053948
- Title: Real-Time Predictive Maintenance using Autoencoder Reconstruction and
Anomaly Detection
- Title(参考訳): オートエンコーダ再構成と異常検出を用いたリアルタイム予測メンテナンス
- Authors: Sean Givnan, Carl Chalmers, Paul Fergus, Sandra Ortega and Tom Whalley
- Abstract要約: 回転機械故障検出システムは時代遅れであり、故障を発見するための定期的な試験に依存している。
リアルタイム監視は、手動による観察を必要とせずに障害を検出するソリューションを提供する。
本稿では,通常の作業動作をモデル化し,異常を検出する機械学習(ML)アプローチを提案する。
- 参考スコア(独自算出の注目度): 0.2446672595462589
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rotary machine breakdown detection systems are outdated and dependent upon
routine testing to discover faults. This is costly and often reactive in
nature. Real-time monitoring offers a solution for detecting faults without the
need for manual observation. However, manual interpretation for threshold
anomaly detection is often subjective and varies between industrial experts.
This approach is ridged and prone to a large number of false positives. To
address this issue, we propose a Machine Learning (ML) approach to model normal
working operation and detect anomalies. The approach extracts key features from
signals representing known normal operation to model machine behaviour and
automatically identify anomalies. The ML learns generalisations and generates
thresholds based on fault severity. This provides engineers with a traffic
light system were green is normal behaviour, amber is worrying and red
signifies a machine fault. This scale allows engineers to undertake early
intervention measures at the appropriate time. The approach is evaluated on
windowed real machine sensor data to observe normal and abnormal behaviour. The
results demonstrate that it is possible to detect anomalies within the amber
range and raise alarms before machine failure.
- Abstract(参考訳): ロータリーマシンの故障検知システムは時代遅れであり、故障を発見するために定期的なテストに依存する。
これは費用がかかり、自然界ではしばしば反応する。
リアルタイム監視は、手動による観察を必要とせずに障害を検出するソリューションを提供する。
しかし、閾値異常検出のマニュアル解釈は、しばしば主観的であり、産業の専門家によって異なる。
このアプローチは隆起し、多数の偽陽性を引き起こす傾向がある。
この問題に対処するために,通常の作業動作をモデル化し,異常を検出する機械学習(ML)アプローチを提案する。
このアプローチは、既知の正常操作を表す信号から機械の動作をモデル化する信号から重要な特徴を抽出し、自動的に異常を識別する。
MLは一般化を学び、故障重大度に基づいてしきい値を生成する。
これはエンジニアに、グリーンが通常の行動であり、アンバーが心配し、赤が機械の故障を示す交通信号システムを提供する。
このスケールにより、エンジニアは適切なタイミングで早期介入措置を実施できる。
このアプローチは、正常および異常な動作を観察するために、ウィンドウ付き実機センサデータで評価される。
その結果, 機械故障前に異常を検出し, 警報を発生させることが可能であることがわかった。
関連論文リスト
- 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) - Machine Learning for Real-Time Anomaly Detection in Optical Networks [3.899824115379246]
本研究では,エンコーダ・デコーダ(ED)深層学習モデルの複数ステップ先進予測機能を利用したリアルタイム異常検出手法を提案する。
特に、エンコーダ・デコーダは、過去のQoT(Quality-of-Transmission)観測を分析して、長期の水平線(すなわち数日先)上でのソフトフェイル進化をモデル化するために用いられる。
論文 参考訳(メタデータ) (2023-06-19T07:17:59Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Proactive Anomaly Detection for Robot Navigation with Multi-Sensor
Fusion [7.293053431456775]
移動ロボットは異常な動作を生成し、ナビゲーション障害を引き起こす。
反応異常検出法は、現在のロボットの状態に基づいて異常なタスク実行を識別する。
本研究では,非構造的かつ不確実な環境下でのロボットナビゲーションのための能動的異常検出ネットワーク(PAAD)を提案する。
論文 参考訳(メタデータ) (2022-04-03T19:48:40Z) - Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
人間と同様、自動走行車は異常検出を行う。
私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
論文 参考訳(メタデータ) (2021-10-15T08:07:31Z) - Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文 参考訳(メタデータ) (2021-07-05T11:46:00Z) - Autoencoder-based Condition Monitoring and Anomaly Detection Method for
Rotating Machines [0.19116784879310028]
自動エンコーダモデルに基づく回転機の状態監視手法を異常検出手法を用いて提案する。
提案手法は, 生の振動信号から塩分の特徴を直接抽出できる。
2つの実世界のデータセットにおける実験結果は、提案手法が有望な結果をもたらすことを示している。
論文 参考訳(メタデータ) (2021-01-27T16:49:49Z) - 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) - Sequential Anomaly Detection using Inverse Reinforcement Learning [23.554584457413483]
逆強化学習(IRL)を用いた逐次異常検出のためのエンドツーエンドフレームワークを提案する。
我々はニューラルネットワークを用いて報酬関数を表現し、学習された報酬関数を用いて、ターゲットエージェントからの新しい観察が正常なパターンに従うかどうかを評価する。
公開されている実世界のデータに関する実証研究は,本手法が異常の同定に有効であることを示している。
論文 参考訳(メタデータ) (2020-04-22T05:17:36Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。