論文の概要: Alarm-Based Root Cause Analysis in Industrial Processes Using Deep
Learning
- arxiv url: http://arxiv.org/abs/2203.11321v1
- Date: Mon, 21 Mar 2022 20:10:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 15:40:31.083930
- Title: Alarm-Based Root Cause Analysis in Industrial Processes Using Deep
Learning
- Title（参考訳）: 深層学習を用いた産業プロセスにおけるアラーム型根本原因解析
- Authors: Negin Javanbakht, Amir Neshastegaran, Iman Izadi
- Abstract要約: 本研究の目的は,過去のアラームデータを用いた産業用アラームの関係をモデル化することである。
ケーススタディとして、提案モデルは有名なテネシー・イーストマン・プロセスで実装されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alarm management systems have become indispensable in modern industry. Alarms
inform the operator of abnormal situations, particularly in the case of
equipment failures. Due to the interconnections between various parts of the
system, each fault can affect other sections of the system operating normally.
As a result, the fault propagates through faultless devices, increasing the
number of alarms. Hence, the timely detection of the major fault that triggered
the alarm by the operator can prevent the following consequences. However, due
to the complexity of the system, it is often impossible to find precise
relations between the underlying fault and the alarms. As a result, the
operator needs support to make an appropriate decision immediately. Modeling
alarms based on the historical alarm data can assist the operator in
determining the root cause of the alarm. This research aims to model the
relations between industrial alarms using historical alarm data in the
database. Firstly, alarm data is collected, and alarm tags are sequenced. Then,
these sequences are converted to numerical vectors using word embedding. Next,
a self-attention-based BiLSTM-CNN classifier is used to learn the structure and
relevance between historical alarm data. After training the model, this model
is used for online fault detection. Finally, as a case study, the proposed
model is implemented in the well-known Tennessee Eastman process, and the
results are presented.
- Abstract（参考訳）: アラーム管理システムは現代の産業では不可欠になっている。
警報はオペレーターに異常な状況、特に機器が故障した場合に知らせる。
システムの様々な部分間の相互接続のため、各障害は正常に動作するシステムの他の部分に影響を与える可能性がある。
その結果、障害は障害のないデバイスを通して伝播し、アラームの数が増加する。
したがって、オペレーターによってアラームを発生させた主要故障のタイムリーな検出は、次の結果を防止することができる。
しかし、システムの複雑さのため、基盤となる故障と警報の正確な関係を見つけることはしばしば不可能である。
結果として、オペレータは、直ちに適切な決定を行うためのサポートが必要です。
履歴アラームデータに基づくアラームのモデリングは、オペレーターがアラームの根本原因を決定するのに役立つ。
本研究の目的は,過去のアラームデータを用いた産業用アラームの関係をモデル化することである。
まずアラームデータが収集され、アラームタグがシーケンスされる。
そして、これらのシーケンスを単語埋め込みを用いて数値ベクトルに変換する。
次に、自己注意に基づくBiLSTM-CNN分類器を用いて、過去のアラームデータの構造と関連性を学習する。
モデルをトレーニングした後、このモデルはオンライン障害検出に使用される。
最後に,本提案モデルがテネシー・イーストマン法で実装され,結果が得られた。
関連論文リスト
- A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance [3.483595743063401]
本稿では,オンラインルール学習アルゴリズムを用いてブラックボックスモデルが故障を予測した時期を説明するニューラルシンボリックアーキテクチャを提案する。
提案システムは,異常検出と異常説明という2つの問題を並列に解く。
提案システムをMetro do Portoの実例で評価し,そのメリットを解説した説明を提供する。
論文 参考訳（メタデータ） (2024-04-21T09:48:09Z) - A Hierarchical Security Events Correlation Model for Real-time Cyber Threat Detection and Response [0.0]
我々は,侵入検知システムによって発行される警告数を減らすことを約束する,新しい階層的な事象相関モデルを開発した。
提案モデルでは、類似性とグラフベースの相関技術から特徴を最大限に活用して、どちらのアプローチも別途実現できないアンサンブル機能を実現する。
このモデルはDARPA 99 侵入検知セットで実験を行うという概念実証として実装されている。
論文 参考訳（メタデータ） (2023-12-02T20:07:40Z) - 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) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Detection of Correlated Alarms Using Graph Embedding [0.0]
本稿では,人工知能を用いたアラーム検出手法を提案する。
提案手法はグラフ埋め込みとアラームクラスタリングに基づいており,アラームの相関を検出する。
論文 参考訳（メタデータ） (2022-01-17T05:50:45Z) - Real-Time Predictive Maintenance using Autoencoder Reconstruction and
Anomaly Detection [0.2446672595462589]
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。
論文 参考訳（メタデータ） (2021-10-01T12:25:25Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - 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) - An Influence-based Approach for Root Cause Alarm Discovery in Telecom
Networks [7.438302177990416]
実際には、正確で自己調整可能なアラームの根本原因分析は、ネットワークの複雑さと大量のアラームのために大きな課題である。
因果推論とネットワーク埋め込み技術を組み合わせたルート原因警報定位のためのデータ駆動型フレームワークを提案する。
人工データと現実世界の通信データについて評価し,最適なベースラインに対して有意な改善を示した。
論文 参考訳（メタデータ） (2021-05-07T07:41:46Z) - No Need to Know Physics: Resilience of Process-based Model-free Anomaly
Detection for Industrial Control Systems [95.54151664013011]
本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。
トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
論文 参考訳（メタデータ） (2020-12-07T11:02:44Z) - 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)
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。