論文の概要: Technical Language Supervision for Intelligent Fault Diagnosis in Process Industry

• arxiv url: http://arxiv.org/abs/2112.07356v1
• Date: Sat, 11 Dec 2021 18:59:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 15:27:39.214052
• Title: Technical Language Supervision for Intelligent Fault Diagnosis in Process Industry
• Title（参考訳）: プロセス産業における知的障害診断のための言語指導
• Authors: Karl L\"owenmark, Cees Taal, Stephan Schnabel, Marcus Liwicki, and Fredrik Sandin
• Abstract要約: プロセス産業では,人的専門家を支援する自動故障診断手法による状態監視システムにより,メンテナンス効率,プロセス持続可能性,職場の安全が向上する。 インテリジェント障害診断(IFD)における大きな課題は、モデルのトレーニングと検証に必要なラベルの正確なデータセットを開発することである。 産業データセットにおける技術的言語アノテーションとしての、障害特性と重大性差別に関するドメイン固有知識。 これにより、産業データに基づくIFDシステムのための技術言語監視(TLS)ソリューションを開発する機会が生まれる。
• 参考スコア（独自算出の注目度）: 1.8574771508622119
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the process industry, condition monitoring systems with automated fault diagnosis methods assisthuman experts and thereby improve maintenance efficiency, process sustainability, and workplace safety.Improving the automated fault diagnosis methods using data and machine learning-based models is a centralaspect of intelligent fault diagnosis (IFD). A major challenge in IFD is to develop realistic datasets withaccurate labels needed to train and validate models, and to transfer models trained with labeled lab datato heterogeneous process industry environments. However, fault descriptions and work-orders written bydomain experts are increasingly digitized in modern condition monitoring systems, for example in the contextof rotating equipment monitoring. Thus, domain-specific knowledge about fault characteristics and severitiesexists as technical language annotations in industrial datasets. Furthermore, recent advances in naturallanguage processing enable weakly supervised model optimization using natural language annotations, mostnotably in the form ofnatural language supervision(NLS). This creates a timely opportunity to developtechnical language supervision(TLS) solutions for IFD systems grounded in industrial data, for exampleas a complement to pre-training with lab data to address problems like overfitting and inaccurate out-of-sample generalisation. We surveyed the literature and identify a considerable improvement in the maturityof NLS over the last two years, facilitating applications beyond natural language; a rapid development ofweak supervision methods; and transfer learning as a current trend in IFD which can benefit from thesedevelopments. Finally, we describe a framework for integration of TLS in IFD which is inspired by recentNLS innovations.
• Abstract（参考訳）: プロセス業界では,人的専門家を支援する自動故障診断手法による状況監視システムにより,保守効率,プロセス持続可能性,職場の安全が向上し,データと機械学習モデルを用いた自動故障診断手法が中心となる。 IFDにおける大きな課題は、モデルのトレーニングと検証に必要なラベルの正確さを欠いた現実的なデータセットの開発と、ラベル付きラボデータでトレーニングされたモデルを異種プロセス産業環境に転送することである。 しかし、ドメインの専門家によって書かれた故障記述や作業順序は、例えば回転機器監視の文脈において、現代の状態監視システムにおいてデジタル化されつつある。 したがって、産業データセットにおける技術的言語アノテーションとしての、欠陥特性と重大性差別に関するドメイン固有知識。 さらに、自然言語処理の最近の進歩により、自然言語アノテーション(nls)という形で、弱い教師付きモデル最適化が可能になる。 これにより、産業データに基礎を置くifdシステムの技術的言語監督(tls)ソリューションを開発するタイムリーな機会が生まれる。 本稿では,過去2年間のNLSの成熟度を調査し,自然言語以外の応用の促進,弱監視手法の急速な開発,そしてこれらの開発から恩恵を受けることができるIFDの現在のトレンドとしての転向学習について検討した。 最後に、最近のNLSイノベーションに触発されたIFDにおけるTLSの統合フレームワークについて述べる。

関連論文リスト

• Consultation on Industrial Machine Faults with Large language Models [0.0]
  本稿では,Large Language Models (LLMs) を用いて故障診断精度を向上させる手法を提案する。 実験の結果,本手法はベースラインモデルよりも優れ,精度は91%であった。
  論文  参考訳（メタデータ） (2024-10-04T08:22:16Z)
• SRTFD: Scalable Real-Time Fault Diagnosis through Online Continual Learning [8.016378373626084]
  現代の産業環境は、新しい断層タイプ、動的条件、大規模データを扱うことができ、最小限の事前情報でリアルタイムの応答を提供するFD手法を必要としている。 本稿では,3つの重要な手法を用いて,オンライン連続学習(OCL)を強化するスケーラブルなリアルタイム故障診断フレームワークSRTFDを提案する。 実世界のデータセットと2つの公開シミュレーションデータセットの実験は、SRTFDの有効性と、現代の産業システムにおいて高度でスケーラブルで正確な故障診断を提供する可能性を示している。
  論文  参考訳（メタデータ） (2024-08-11T03:26:22Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
  Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。 知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。 また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions [10.627285023764086]
  本稿では,入力変数をシステムパラメータと測定値に分離したテスト時間領域適応異常検出(TAAD)フレームワークを提案する。 本手法は,実世界のポンプモニタリングデータセットを用いて検証し,既存の領域適応法よりも優れた故障検出手法であることを示す。
  論文  参考訳（メタデータ） (2024-06-06T15:53:14Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• 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)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Fault Diagnosis using eXplainable AI: a Transfer Learning-based Approach for Rotating Machinery exploiting Augmented Synthetic Data [0.0]
  FaultD-XAIは、移動学習に基づいて回転機械の故障を分類するための汎用的で解釈可能なアプローチである。 伝達学習を用いたスケーラビリティを実現するため、動作中の故障特性を模倣した合成振動信号を作成する。 提案手法は,有望な診断性能を得るだけでなく,専門家が条件を特定するために使用する特徴も学習することができた。
  論文  参考訳（メタデータ） (2022-10-06T15:02:35Z)
• An Ontology for Defect Detection in Metal Additive Manufacturing [3.997680012976965]
  産業用 4.0 アプリケーションのキーは、データ統合とセマンティック相互運用性の問題に対処できる制御システムを開発することである。 金属添加物製造文献から知られているプロセス誘起欠陥の分類について述べる。 我々の知識基盤は、さらなる欠陥分析用語を付加することにより、付加的な製造能力を向上させることを目的としている。
  論文  参考訳（メタデータ） (2022-09-29T13:35:25Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)

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。