論文の概要: SCCAM: Supervised Contrastive Convolutional Attention Mechanism for
Ante-hoc Interpretable Fault Diagnosis with Limited Fault Samples
- arxiv url: http://arxiv.org/abs/2302.01599v1
- Date: Fri, 3 Feb 2023 08:43:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 16:56:00.429693
- Title: SCCAM: Supervised Contrastive Convolutional Attention Mechanism for
Ante-hoc Interpretable Fault Diagnosis with Limited Fault Samples
- Title（参考訳）: SCCAM: 限られた断層サンプルを用いたアンテホック・インタプリタブル・フォールト診断のためのコントラスト・コンボリューション・アテンション機構
- Authors: Mengxuan Li, Peng Peng, Jingxin Zhang, Hongwei Wang, Weiming Shen
- Abstract要約: 本稿では,限られた断層サンプルから学習するためのアンテホック解釈性を備えた教師付きコントラッシブ・コンボリューション・アテンション機構(SCCAM)を提案する。
追加検証のためのバランスのとれたシナリオと、限られた障害サンプルを持つ2つのシナリオを含む、3つの一般的な障害診断シナリオがカバーされている。
提案手法は, 断層分類と根本原因解析の最先端手法と比較して, 優れた性能を実現することができる。
- 参考スコア（独自算出の注目度）: 9.648963514691046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real industrial processes, fault diagnosis methods are required to learn
from limited fault samples since the procedures are mainly under normal
conditions and the faults rarely occur. Although attention mechanisms have
become popular in the field of fault diagnosis, the existing attention-based
methods are still unsatisfying for the above practical applications. First,
pure attention-based architectures like transformers need a large number of
fault samples to offset the lack of inductive biases thus performing poorly
under limited fault samples. Moreover, the poor fault classification dilemma
further leads to the failure of the existing attention-based methods to
identify the root causes. To address the aforementioned issues, we innovatively
propose a supervised contrastive convolutional attention mechanism (SCCAM) with
ante-hoc interpretability, which solves the root cause analysis problem under
limited fault samples for the first time. The proposed SCCAM method is tested
on a continuous stirred tank heater and the Tennessee Eastman industrial
process benchmark. Three common fault diagnosis scenarios are covered,
including a balanced scenario for additional verification and two scenarios
with limited fault samples (i.e., imbalanced scenario and long-tail scenario).
The comprehensive results demonstrate that the proposed SCCAM method can
achieve better performance compared with the state-of-the-art methods on fault
classification and root cause analysis.
- Abstract（参考訳）: 実際の産業プロセスでは, 手順が主に正常条件であり, 故障がほとんど起こらないため, 限られた断層試料から断層診断を行う必要がある。
故障診断の分野では注目メカニズムが普及しているが,既存の注意に基づく手法は,上述の実用化に満足していない。
第一に、トランスフォーマーのような純粋な注意に基づくアーキテクチャは、誘導バイアスの欠如を相殺するために大量の障害サンプルを必要とするため、限られた障害サンプルでは不十分である。
さらに,故障分類の貧弱なジレンマは,既存の注意に基づく手法による根本原因同定の失敗に繋がる。
上記の問題に対処するため,本研究では, 限定された断層試料下での根本原因解析を初めて解決する, アンテホック解釈性を有する教師付きコントラクティブ・コンボリューショナル・アテンション機構(SCCAM)を革新的に提案する。
提案手法はテネシー・イーストマン工業プロセスベンチマークを用いて, 連続加熱槽加熱機の試験を行った。
追加検証のためのバランスのとれたシナリオと、限られた障害サンプル(不均衡なシナリオとロングテールシナリオ)を持つ2つのシナリオを含む、3つの一般的な障害診断シナリオがカバーされている。
その結果,提案手法は,故障分類や根本原因解析における最先端手法に比べ,優れた性能が得られることがわかった。
関連論文リスト
- Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - 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) - 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) - Addressing Domain Shift via Knowledge Space Sharing for Generalized
Zero-Shot Industrial Fault Diagnosis [19.336869079472663]
一般のゼロショット産業断層診断は、目に見えない断層と見えない断層の両方を診断することを目的としている。
トレーニング用の予期せぬフォールトデータが欠如していることは、ドメインシフトの問題を引き起こす。
ゼロショット産業故障診断タスクにおけるDSPに対処する知識空間共有(KSS)モデルを提案する。
論文 参考訳（メタデータ） (2023-06-04T13:50:01Z) - Hard Nominal Example-aware Template Mutual Matching for Industrial
Anomaly Detection [74.9262846410559]
textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM)
textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
論文 参考訳（メタデータ） (2023-03-28T17:54:56Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳（メタデータ） (2022-12-05T05:03:46Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - An Explainable Artificial Intelligence Approach for Unsupervised Fault
Detection and Diagnosis in Rotating Machinery [2.055054374525828]
本稿では,回転機械の故障検出と診断のための新しい手法を提案する。
この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。
提案手法の有効性は,機械的故障の異なる3つのデータセットに示される。
論文 参考訳（メタデータ） (2021-02-23T18:28:18Z) - Are Ensemble Classifiers Powerful Enough for the Detection and Diagnosis
of Intermediate-Severity Faults? [9.1591191545173]
中間重度(IS)障害は、重度断層よりも軽度の症状を呈する。
トレーニングデータにIS故障例がないことは、FDD法に深刻なリスクをもたらす可能性がある。
本稿では,IS故障の検出と診断のためのより効果的なアンサンブルモデルの設計方法について論じる。
論文 参考訳（メタデータ） (2020-07-07T02:05:04Z)
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。