論文の概要: Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems

• arxiv url: http://arxiv.org/abs/2210.08011v1
• Date: Fri, 14 Oct 2022 09:28:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 16:39:28.559868
• Title: Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems
• Title（参考訳）: 産業用冷却システムにおけるオートエンコーダに基づく異常検出と故障位置の解明
• Authors: Stephanie Holly, Robin Heel, Denis Katic, Leopold Schoeffl, Andreas Stiftinger, Peter Holzner, Thomas Kaufmann, Bernhard Haslhofer, Daniel Schall, Clemens Heitzinger and Jana Kemnitz
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.32956425475258266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in large industrial cooling systems is very challenging due to the high data dimensionality, inconsistent sensor recordings, and lack of labels. The state of the art for automated anomaly detection in these systems typically relies on expert knowledge and thresholds. However, data is viewed isolated and complex, multivariate relationships are neglected. In this work, we present an autoencoder based end-to-end workflow for anomaly detection suitable for multivariate time series data in large industrial cooling systems, including explained fault localization and root cause analysis based on expert knowledge. We identify system failures using a threshold on the total reconstruction error (autoencoder reconstruction error including all sensor signals). For fault localization, we compute the individual reconstruction error (autoencoder reconstruction error for each sensor signal) allowing us to identify the signals that contribute most to the total reconstruction error. Expert knowledge is provided via look-up table enabling root-cause analysis and assignment to the affected subsystem. We demonstrated our findings in a cooling system unit including 34 sensors over a 8-months time period using 4-fold cross validation approaches and automatically created labels based on thresholds provided by domain experts. Using 4-fold cross validation, we reached a F1-score of 0.56, whereas the autoencoder results showed a higher consistency score (CS of 0.92) compared to the automatically created labels (CS of 0.62) -- indicating that the anomaly is recognized in a very stable manner. The main anomaly was found by the autoencoder and automatically created labels and was also recorded in the log files. Further, the explained fault localization highlighted the most affected component for the main anomaly in a very consistent manner.
• Abstract（参考訳）: 大規模産業用冷却システムにおける異常検出は、高データ次元、不整合センサ記録、ラベルの欠如により非常に困難である。 これらのシステムにおける自動異常検出の技術は、一般的に専門家の知識としきい値に依存する。 しかし、データは孤立し、複雑で多変量関係は無視される。 本研究では,大規模産業用冷却システムにおける多変量時系列データに適した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。 総再構成誤差(全センサ信号を含むオートエンコーダ再構成誤差)のしきい値を用いてシステム障害を特定する。 障害位置推定のために,各センサ信号に対する個別復元誤差(自動エンコーダ再構成誤差)を算出し,全体の再構成誤差に最も寄与する信号の同定を行う。 専門家の知識は、影響を受けるサブシステムへの根本原因分析と割り当てを可能にするルックアップテーブルを介して提供される。 4倍のクロスバリデーションアプローチと,ドメインの専門家が提示した閾値に基づいてラベルを自動生成することで,34個のセンサを8ヶ月の期間で冷却システムユニットで実証した。 4倍のクロスバリデーションを用いてF1スコアが0.56に到達したのに対し,オートエンコーダの結果は,自動生成ラベル(CS:0.62)と比較して高い一貫性スコア(CS:0.92)を示した。 主な異常はオートエンコーダによって発見され、自動的にラベルが作成され、ログファイルにも記録された。 さらに,本解析では,本異常の最も影響が大きいコンポーネントを,極めて一貫した方法で強調した。

関連論文リスト

• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Detecting and Ranking Causal Anomalies in End-to-End Complex System [10.02817768857185]
  エンドツーエンドシステム(RCAE2E)におけるランク付け因果異常(Ring Causal Anomalies)というフレームワークを提案する。 これらの問題に基づいて、エンド・ツー・エンド・システム(RCAE2E)におけるランク付け因果異常(Ring Causal Anomalies)と呼ばれるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-18T03:09:28Z)
• 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)
• Denoising Architecture for Unsupervised Anomaly Detection in Time-Series [0.0]
  このLSTM-Decoderモデルの補体として、Denoising Architectureを紹介します。 提案アーキテクチャは精度とトレーニング速度の両方を向上し,LSTMオートエンコーダを非教師付き異常検出タスクに対してより効率的にすることを示した。
  論文  参考訳（メタデータ） (2022-08-30T15:23:45Z)
• DeCorus: Hierarchical Multivariate Anomaly Detection at Cloud-Scale [0.0]
  本稿では,クラウドサービスプロバイダにデプロイされたネットワークデバイスsyslogメッセージのオンラインログ異常検出ツールであるDeCorusの実装について述べる。 私たちは15億ドルのネットワークデバイスサイスログメッセージと数百のインシデントチケットからなる実世界のデータセットを使って、DeCorusのパフォーマンスを特徴づけています。
  論文  参考訳（メタデータ） (2022-02-14T17:33:00Z)
• Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder [0.6649973446180738]
  異常検出は、障害検出、システム監視、イベント検出といった幅広い応用に関係している。 本稿では,スマート計測システムで観測された異常な異常検出手法を提案する。 BiLSTMベースのオートエンコーダが使われ、異常なデータポイントが見つかる。
  論文  参考訳（メタデータ） (2021-12-06T12:34:59Z)
• 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)
• 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)
• Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
  本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。 そして、復号ステージの復元誤差に基づいて異常検出を行う。
  論文  参考訳（メタデータ） (2020-02-07T09:53:46Z)

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。