論文の概要: Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers

• arxiv url: http://arxiv.org/abs/2304.08837v1
• Date: Tue, 18 Apr 2023 09:05:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 15:25:47.709874
• Title: Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers
• Title（参考訳）: ニューラルネットワークを用いた自律非線形システムのセンサ故障検出と分離
• Authors: John Cao, Muhammad Umar B. Niazi, Karl Henrik Johansson
• Abstract要約: 完全な故障とセンサ劣化の2つのタイプのセンサ障害が考慮されている。 Luenbergerオブザーバの学習に基づく設計は、システムの状態を正確に推定する。 各センサの測定値と対応する予測値を比較することで、故障分離を実現する。
• 参考スコア（独自算出の注目度）: 6.314544487916399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a new observer-based approach to detect and isolate faulty sensors in industrial systems. Two types of sensor faults are considered: complete failure and sensor deterioration. The proposed method is applicable to general autonomous nonlinear systems without making any assumptions about its triangular and/or normal form, which is usually considered in the observer design literature. The key aspect of our approach is a learning-based design of the Luenberger observer, which involves using a neural network to approximate the injective map that transforms the nonlinear system into a stable linear system with output injection. This learning-based Luenberger observer accurately estimates the system's state, allowing for the detection of sensor faults through residual generation. The residual is computed as the norm of the difference between the system's measured output and the observer's predicted output vectors. Fault isolation is achieved by comparing each sensor's measurement with its corresponding predicted value. We demonstrate the effectiveness of our approach in capturing and isolating sensor faults while remaining robust in the presence of measurement noise and system uncertainty. We validate our method through numerical simulations of sensor faults in a network of Kuramoto oscillators.
• Abstract（参考訳）: 本稿では,産業システムにおける異常センサの検出と分離のための新しいオブザーバベースアプローチを提案する。 完全な故障とセンサ劣化の2種類が検討されている。 提案手法は, 一般自律非線形システムに適用でき, 一般にオブザーバ設計文献で検討されている三角および/または正規形式を仮定することなく適用できる。 我々のアプローチの重要な側面は、ニューラルネットワークを用いて非線形系を出力注入を伴う安定線形系に変換するインジェクティブマップを近似する、Luenbergerオブザーバの学習に基づく設計である。 この学習に基づくLuenbergerオブザーバは、システムの状態を正確に推定し、残留生成によるセンサ障害の検出を可能にする。 残差は、測定された出力と観測者の予測出力ベクトルとの差のノルムとして計算される。 障害分離は、各センサの測定値と対応する予測値を比較して達成される。 計測ノイズやシステム不確実性の存在下で頑健でありながら,センサの故障を捕捉・分離する手法の有効性を実証する。 倉本発振器ネットワークにおけるセンサ故障の数値シミュレーションにより本手法を検証する。

関連論文リスト

• Sensor-fusion based Prognostics Framework for Complex Engineering Systems Exhibiting Multiple Failure Modes [1.5379084885764847]
  複雑なエンジニアリングシステムは、しばしば複数の障害モードを必要とする。 本稿では,ラベルのないトレーニングデータセットに対して,クラスタリングとセンサの選択を同時に行う手法を提案する。
  論文  参考訳（メタデータ） (2024-11-19T01:52:59Z)
• Fault Detection and Monitoring using an Information-Driven Strategy: Method, Theory, and Application [5.056456697289351]
  本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Deep convolutional neural networks for cyclic sensor data [0.0]
  本研究では,センサによる条件モニタリングに焦点をあて,深層学習技術の応用について検討する。 本研究は,従来手法を用いたベースラインモデル,早期センサフュージョンを用いた単一CNNモデル,後期センサフュージョンを用いた2車線CNNモデル (2L-CNN) の3つのモデルの性能を比較した。
  論文  参考訳（メタデータ） (2023-08-14T07:51:15Z)
• Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
  化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。 本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。 本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
  論文  参考訳（メタデータ） (2023-06-19T11:00:54Z)
• 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)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• 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)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)

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。