論文の概要: A Temporal Anomaly Detection System for Vehicles utilizing Functional
Working Groups and Sensor Channels
- arxiv url: http://arxiv.org/abs/2209.06828v1
- Date: Wed, 14 Sep 2022 14:33:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 11:53:10.421780
- Title: A Temporal Anomaly Detection System for Vehicles utilizing Functional
Working Groups and Sensor Channels
- Title(参考訳): 機能的作業グループとセンサチャネルを用いた車両の時間異常検知システム
- Authors: Subash Neupane, Ivan A. Fernandez, Wilson Patterson, Sudip Mittal,
Shahram Rahimi
- Abstract要約: Vehicle Performance, Reliability, Operationsデータセットを導入し, 異常検出のためのマルチフェーズアプローチを作成する。
我々の異常検出システムは96%の精度で検出でき、真の異常の91%を正確に予測できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A modern vehicle fitted with sensors, actuators, and Electronic Control Units
(ECUs) can be divided into several operational subsystems called Functional
Working Groups (FWGs). Examples of these FWGs include the engine system,
transmission, fuel system, brakes, etc. Each FWG has associated sensor-channels
that gauge vehicular operating conditions. This data rich environment is
conducive to the development of Predictive Maintenance (PdM) technologies.
Undercutting various PdM technologies is the need for robust anomaly detection
models that can identify events or observations which deviate significantly
from the majority of the data and do not conform to a well defined notion of
normal vehicular operational behavior. In this paper, we introduce the Vehicle
Performance, Reliability, and Operations (VePRO) dataset and use it to create a
multi-phased approach to anomaly detection. Utilizing Temporal Convolution
Networks (TCN), our anomaly detection system can achieve 96% detection accuracy
and accurately predicts 91% of true anomalies. The performance of our anomaly
detection system improves when sensor channels from multiple FWGs are utilized.
- Abstract(参考訳): センサー、アクチュエータ、電子制御ユニット(ECU)を装備した現代の車両は、機能作業グループ(FWG)と呼ばれるいくつかの運用サブシステムに分けられる。
これらのFWGの例としては、エンジンシステム、トランスミッション、燃料システム、ブレーキなどがある。
各FWGは、車両の運転条件を測定するセンサーチャネルを持つ。
このデータ豊富な環境は、予測保守(PdM)技術の発展に寄与する。
各種PdM技術の根底には、データの大部分から著しく逸脱する事象や観測を識別し、正常な車両の動作に関する明確に定義された概念に適合しない堅牢な異常検出モデルが必要である。
本稿では,車両性能,信頼性,運用性(vepro)データセットについて紹介し,それを用いて異常検出のための多相アプローチを作成する。
時間的畳み込みネットワーク(TCN)を用いることで、異常検出システムは96%の精度で検出でき、真の異常の91%を正確に予測できる。
複数のFWGからのセンサチャネルを利用すると,異常検出システムの性能が向上する。
関連論文リスト
- Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。
本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。
実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
論文 参考訳(メタデータ) (2023-10-12T18:23:06Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳(メタデータ) (2023-10-03T10:10:42Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Autoencoder-based Anomaly Detection System for Online Data Quality
Monitoring of the CMS Electromagnetic Calorimeter [0.0]
半教師付き機械学習を用いたリアルタイムオートエンコーダによる異常検出システムを提案する。
異常の時間依存性の進化を利用して異常検出性能を最大化する新しい手法を提案する。
システムの性能は、2018年と2022年のLHC衝突データに見られる異常で検証される。
論文 参考訳(メタデータ) (2023-09-18T21:11:25Z) - 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) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - 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) - Anomaly Detection for Multivariate Time Series on Large-scale Fluid
Handling Plant Using Two-stage Autoencoder [1.911678487931003]
本稿では,動的成分を有する大規模流体処理プラントにおける時系列データの異常検出に着目する。
このような植物に適した異常検出法として2段階自動エンコーダ(TSAE)を導入する。
論文 参考訳(メタデータ) (2022-05-20T01:41:39Z) - 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) - 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) - Self-awareness in intelligent vehicles: Feature based dynamic Bayesian
models for abnormality detection [4.251384905163326]
本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。
車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。
協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
論文 参考訳(メタデータ) (2020-10-29T09:29:47Z)
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。