論文の概要: SensorSCAN: Self-Supervised Learning and Deep Clustering for Fault
Diagnosis in Chemical Processes
- arxiv url: http://arxiv.org/abs/2208.08879v1
- Date: Wed, 17 Aug 2022 10:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:11:23.064697
- Title: SensorSCAN: Self-Supervised Learning and Deep Clustering for Fault
Diagnosis in Chemical Processes
- Title（参考訳）: SensorSCAN: 化学プロセスにおける異常診断のための自己監視学習と深部クラスタリング
- Authors: Maksim Golyadkin, Vitaliy Pozdnyakov, Leonid Zhukov, Ilya Makarov
- Abstract要約: 近代工業施設は生産過程で大量の生センサデータを生成する。
このデータはプロセスを監視し、制御するために使用され、プロセスの異常を検出し、予測するために分析することができる。
今日の研究の大部分は、教師なし異常検出アルゴリズムまたは教師付き方法に焦点を当てている。
- 参考スコア（独自算出の注目度）: 0.43695508295565777
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern industrial facilities generate large volumes of raw sensor data during
production process. This data is used to monitor and control the processes and
can be analyzed to detect and predict process abnormalities. Typically, the
data has to be annotated by experts to be further used in predictive modeling.
Most of today's research is focusing on either unsupervised anomaly detection
algorithms or supervised methods, that require manually annotated data. The
studies are often done using process simulator generated data for a narrow
class of events and proposed algorithms are rarely verified on publicly
available datasets. In this paper, we propose a novel method SensorSCAN for
unsupervised fault detection and diagnosis designed for industrial chemical
sensor data. We demonstrate our model performance on two publicly available
datasets based on the Tennessee Eastman Process with various fault types.
Results show that our method significantly outperforms existing approaches
(+0.2-0.3 TPR for a fixed FPR) and detects most of the process faults without
the use of expert annotation. In addition, we performed experiments to show
that our method is suitable for real-world applications where the number of
fault types is not known in advance.
- Abstract（参考訳）: 近代工業施設は生産過程で大量の生センサデータを生成する。
このデータはプロセスの監視と制御に使用され、プロセス異常の検出と予測に分析することができる。
通常、データは専門家によって注釈付けされ、予測モデリングにさらに使われる必要がある。
今日の研究の大部分は、手動でアノテートされたデータを必要とする、教師なしの異常検出アルゴリズムまたは教師付き方法に焦点を当てている。
これらの研究は、プロセスシミュレータ生成データを用いて、限られた種類のイベントに対して行われることが多く、提案されたアルゴリズムは、公開データセット上ではほとんど検証されない。
本稿では,産業化学センサデータを対象とした非教師なし故障検出・診断のためのSensorSCANを提案する。
我々は,テネシー・イーストマンプロセスに基づく2つの公開データセット上でのモデル性能の検証を行った。
その結果,本手法は既存のアプローチ(固定FPRでは+0.2-0.3 TPR)を著しく上回り,専門家のアノテーションを使わずにほとんどのプロセス欠陥を検出することがわかった。
さらに,本手法は,事前に故障の種類が不明な実世界のアプリケーションに適していることを示す実験を行った。
関連論文リスト
- TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data [0.017476232824732776]
本研究では,時間変動型オートエンコーダ(TeVAE)を提案する。
適切に設定された場合、TeVAEは異常を6%だけ間違ったタイミングでフラグし、65%の異常を検知する。
論文 参考訳（メタデータ） (2024-07-09T13:32:33Z) - Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。
従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。
我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
論文 参考訳（メタデータ） (2024-07-04T14:28:52Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - DiffusionEngine: Diffusion Model is Scalable Data Engine for Object
Detection [41.436817746749384]
Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。
DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
論文 参考訳（メタデータ） (2023-09-07T17:55:01Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep
Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。
DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
論文 参考訳（メタデータ） (2021-09-21T10:38:26Z) - 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) - Including Sparse Production Knowledge into Variational Autoencoders to
Increase Anomaly Detection Reliability [3.867363075280544]
可変オートエンコーダニューラルネットワーク構造におけるラベル異常に関するまれな情報を用いて検討する。
この方法は、精度、正確さ、リコールの点で他の全てのモデルを上回る。
論文 参考訳（メタデータ） (2021-03-24T05:54:12Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - 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) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。