論文の概要: Efficient Model Based Diagnosis
- arxiv url: http://arxiv.org/abs/2209.09819v1
- Date: Tue, 20 Sep 2022 16:07:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 18:28:58.217735
- Title: Efficient Model Based Diagnosis
- Title（参考訳）: 効率的なモデルベース診断
- Authors: Nico Roos
- Abstract要約: 入力と出力の間に因果関係を持つシステムに対して、効率的なモデルに基づく診断プロセスを記述する。
また、ループを含む動的システムやシステムに診断プロセスを適用する方法を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper an efficient model based diagnostic process is described for
systems whose components possess a causal relation between their inputs and
their outputs. In this diagnostic process, firstly, a set of focuses on likely
broken components is determined. Secondly, for each focus the most informative
probing point within the focus can be determined. Both these steps of the
diagnostic process have a worst case time complexity of ${\cal O}(n^2)$ where
$n$ is the number of components. If the connectivity of the components is low,
however, the diagnostic process shows a linear time complexity. It is also
shown how the diagnostic process described can be applied in dynamic systems
and systems containing loops. When diagnosing dynamic systems it is possible to
choose between detecting intermitting faults or to improve the diagnostic
precision by assuming non-intermittency.
- Abstract（参考訳）: 本稿では,入力と出力の因果関係を持つシステムに対して,効率的なモデルに基づく診断プロセスについて述べる。
この診断プロセスでは、まず、壊れやすいコンポーネントに焦点を当てたセットが決定される。
第二に、各焦点について、焦点内の最も情報に富む探究点を決定することができる。
診断プロセスのどちらのステップも、最悪のケースタイムの複雑さは${\cal O}(n^2)$で、$n$はコンポーネントの数である。
しかし、コンポーネントの接続性が低い場合、診断プロセスは線形時間の複雑さを示す。
また,ループを含む動的システムやシステムにおいて,診断プロセスがどのように適用できるかを示す。
動的システムの診断において、断続的故障を検出するか、非断続性を想定して診断精度を向上させるかを選択することができる。
関連論文リスト
- Integrating LLMs for Explainable Fault Diagnosis in Complex Systems [0.0]
本稿では,原子力プラントなどの複雑なシステムにおける故障診断の説明可能性を高めるための統合システムを提案する。
物理に基づく診断ツールとLarge Language Modelを組み合わせることで、障害を識別するだけでなく、その原因と意味を明確かつ理解可能な説明を提供する新しいソリューションを提供する。
論文 参考訳（メタデータ） (2024-02-08T22:11:21Z) - Discret2Di -- Deep Learning based Discretization for Model-based
Diagnosis [48.252498836623154]
一貫性に基づく診断は、技術的応用を診断するための確立されたアプローチであるが、かなりのモデリング努力に悩まされている。
本稿では,一貫性に基づく診断のための論理式の自動学習手法としてDiscret2Diを提案する。
提示されたソリューションは、時系列と記号領域の両方からの機械学習を組み合わせて、一貫性に基づく診断のための論理規則の学習を自動化する。
論文 参考訳（メタデータ） (2023-11-06T09:17:57Z) - A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially
Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。
提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。
提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
論文 参考訳（メタデータ） (2023-10-20T23:56:53Z) - Machine learning-based approach for online fault Diagnosis of Discrete
Event System [0.0]
問題は、センサーとアクチュエータが個別のバイナリ信号を提供する自動生産システムのオンライン診断である。
本稿では,診断システムの機械学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-24T08:56:13Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - Anytime Diagnosis for Reconfiguration [52.77024349608834]
我々は、いつでも直接診断できるflexdiagを紹介し分析する。
特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
論文 参考訳（メタデータ） (2021-02-19T11:45:52Z) - An Efficient Diagnosis Algorithm for Inconsistent Constraint Sets [68.8204255655161]
過制約問題における最小限の障害制約を識別する分割・分散型診断アルゴリズム(FastDiag)を提案する。
ヒットセットの競合指向計算とfastdiagを比較し,詳細な性能解析を行う。
論文 参考訳（メタデータ） (2021-02-17T19:55:42Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳（メタデータ） (2020-04-29T15:02:41Z)
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。