論文の概要: Automated fault tree learning from continuous-valued sensor data: a case study on domestic heaters

• arxiv url: http://arxiv.org/abs/2203.07374v1
• Date: Sun, 13 Mar 2022 23:10:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-19 16:08:53.658654
• Title: Automated fault tree learning from continuous-valued sensor data: a case study on domestic heaters
• Title（参考訳）: 連続評価センサデータによる自動断層木学習--家庭用ヒーターを事例として
• Authors: Bart Verkuil, Carlos E. Budde, Doina Bucur
• Abstract要約: 本研究では, 連続変数を用いた観測データから, 故障解析, 機械学習断層木を自動生成する手法を提案する。 本手法は,オランダの温暖化施設における実世界の5年間の実測データを用いて検討した。
• 参考スコア（独自算出の注目度）: 0.5801044612920815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many industrial sectors have been collecting big sensor data. With recent technologies for processing big data, companies can exploit this for automatic failure detection and prevention. We propose the first completely automated method for failure analysis, machine-learning fault trees from raw observational data with continuous variables. Our method scales well and is tested on a real-world, five-year dataset of domestic heater operations in The Netherlands, with 31 million unique heater-day readings, each containing 27 sensor and 11 failure variables. Our method builds on two previous procedures: the C4.5 decision-tree learning algorithm, and the LIFT fault tree learning algorithm from Boolean data. C4.5 pre-processes each continuous variable: it learns an optimal numerical threshold which distinguishes between faulty and normal operation of the top-level system. These thresholds discretise the variables, thus allowing LIFT to learn fault trees which model the root failure mechanisms of the system and are explainable. We obtain fault trees for the 11 failure variables, and evaluate them in two ways: quantitatively, with a significance score, and qualitatively, with domain specialists. Some of the fault trees learnt have almost maximum significance (above 0.95), while others have medium-to-low significance (around 0.30), reflecting the difficulty of learning from big, noisy, real-world sensor data. The domain specialists confirm that the fault trees model meaningful relationships among the variables.
• Abstract（参考訳）: 多くの産業部門が大規模なセンサーデータを集めている。 ビッグデータ処理の最近の技術により、企業はこれを自動障害検出と防止に活用できる。 本研究では, 連続変数を用いた観測データから, 故障解析, 機械学習断層木を自動生成する手法を提案する。 提案手法は,オランダにおける5年間の家庭内ヒーター運用の実際のデータセットを用いて,27のセンサと11の障害変数を含む1300万のユニークなヒーターデイリーディングを計測した。 本手法は,c4.5決定木学習アルゴリズムとbooleanデータからのリフトフォールトツリー学習アルゴリズムの2つの手順に基づいている。 C4.5は各連続変数を前処理し、トップレベルのシステムの故障と正常な動作を区別する最適な数値閾値を学習する。 これらのしきい値は変数を識別し、LIFTはシステムのルート障害機構をモデル化し説明可能なフォールトツリーを学習することができる。 11の障害変数に対するフォールトツリーを取得し、それらを定量的に、重要なスコアで、定性的に、ドメインスペシャリストと2つの方法で評価する。 断層木の中には、ほぼ最大意味を持つものもあれば(0.95)、中から低い意味を持つもの(約0.30)もあり、大きな、うるさい実世界のセンサーデータから学ぶことが困難である。 ドメインスペシャリストは、フォールトツリーが変数間の有意義な関係をモデル化していることを確認した。

関連論文リスト

• Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
  森林火災は気候危機により地球生態系に深刻な危険をもたらす。 複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。 この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
  論文  参考訳（メタデータ） (2024-11-14T23:19:55Z)
• Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
  樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。 データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。 結果は、自律的な倒木作戦への有望な道を提供する。
  論文  参考訳（メタデータ） (2022-10-31T15:51:32Z)
• Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems [0.32956425475258266]
  大規模産業用冷却システムにおける異常検出のための自動エンコーダに基づくエンドツーエンドワークフローを提案する。 総復元誤差のしきい値を用いてシステム障害を同定する。 フォールトローカライゼーションでは,個々の再構成誤差を計算する。
  論文  参考訳（メタデータ） (2022-10-14T09:28:49Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• 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)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• 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)
• Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
  クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。 システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-23T09:17:05Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  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。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Establishing strong imputation performance of a denoising autoencoder in a wide range of missing data problems [0.0]
  トレーニングと計算の両方に一貫したフレームワークを開発します。 結果と最先端の計算手法を比較検討した。 開発されたオートエンコーダは、初期データ破損のあらゆる範囲において最小の誤差を得た。
  論文  参考訳（メタデータ） (2020-04-06T12:00:30Z)

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。