論文の概要: Data-driven Residual Generation for Early Fault Detection with Limited Data

• arxiv url: http://arxiv.org/abs/2110.15385v1
• Date: Tue, 28 Sep 2021 03:18:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 07:10:09.270029
• Title: Data-driven Residual Generation for Early Fault Detection with Limited Data
• Title（参考訳）: 限られたデータを用いた早期故障検出のためのデータ駆動残差生成
• Authors: Hamed Khorasgani, Ahmed Farahat, and Chetan Gupta
• Abstract要約: 多くの複雑なシステムでは、システムのための高精度なモデルを開発することは不可能である。 データ駆動型ソリューションは、いくつかの実践的な理由から、産業システムにおいて大きな注目を集めている。 モデルに基づく手法とは異なり、圧力や電圧などの時系列測定を他の情報源と組み合わせることが直接の前進である。
• 参考スコア（独自算出の注目度）: 4.129225533930966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditionally, fault detection and isolation community has used system dynamic equations to generate diagnosers and to analyze detectability and isolability of the dynamic systems. Model-based fault detection and isolation methods use system model to generate a set of residuals as the bases for fault detection and isolation. However, in many complex systems it is not feasible to develop highly accurate models for the systems and to keep the models updated during the system lifetime. Recently, data-driven solutions have received an immense attention in the industries systems for several practical reasons. First, these methods do not require the initial investment and expertise for developing accurate models. Moreover, it is possible to automatically update and retrain the diagnosers as the system or the environment change over time. Finally, unlike the model-based methods it is straight forward to combine time series measurements such as pressure and voltage with other sources of information such as system operating hours to achieve a higher accuracy. In this paper, we extend the traditional model-based fault detection and isolation concepts such as residuals, and detectable and isolable faults to the data-driven domain. We then propose an algorithm to automatically generate residuals from the normal operating data. We present the performance of our proposed approach through a comparative case study.
• Abstract（参考訳）: 伝統的に、障害検出と隔離のコミュニティは、システム力学方程式を使用して診断器を生成し、動的システムの検出性と分離性を分析してきた。 モデルに基づく障害検出および分離手法は、システムモデルを使用して、障害検出および分離のベースとして残差の集合を生成する。 しかし、多くの複雑なシステムでは、システムの高精度なモデルを開発し、システム寿命の間モデルを更新することは不可能である。 近年,データ駆動型ソリューションが産業システムに大きな注目を集めている。 まず、これらの手法は正確なモデルを開発するための初期投資や専門知識を必要としない。 さらに、システムや環境が経時的に変化するにつれて、診断者を自動的に更新し、再訓練することができる。 最後に、モデルに基づく手法とは異なり、圧力や電圧などの時系列測定をシステム動作時間などの他の情報源と直接的に組み合わせて精度を高める。 本稿では,従来のモデルに基づく障害検出と分離の概念である残差,および検出可能かつ分離可能な障害をデータ駆動ドメインに拡張する。 次に,通常の動作データから残差を自動的に生成するアルゴリズムを提案する。 本稿では,提案手法の性能について,比較ケーススタディを通じて述べる。

関連論文リスト

• Root Causing Prediction Anomalies Using Explainable AI [3.970146574042422]
  本稿では,機械学習モデルにおける根源的性能劣化に対する説明可能なAI(XAI)の新たな応用法を提案する。 単一機能の破損は、カスケード機能、ラベル、コンセプトドリフトを引き起こす可能性がある。 我々は、パーソナライズされた広告に使用されるモデルの信頼性を向上させるために、この手法をうまく応用した。
  論文  参考訳（メタデータ） (2024-03-04T19:38:50Z)
• Analysis of Numerical Integration in RNN-Based Residuals for Fault Diagnosis of Dynamic Systems [0.6999740786886536]
  本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。 データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
  論文  参考訳（メタデータ） (2023-05-08T12:48:18Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles [2.4779082385578337]
  ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。 データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
  論文  参考訳（メタデータ） (2022-08-15T17:01:14Z)
• 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)
• Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention [0.0]
  本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。 スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
  論文  参考訳（メタデータ） (2022-06-08T19:39:51Z)
• In-flight Novelty Detection with Convolutional Neural Networks [0.0]
  本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。 本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。 このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
  論文  参考訳（メタデータ） (2021-12-07T15:19:41Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• 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)
• 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)

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。