論文の概要: An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System

• arxiv url: http://arxiv.org/abs/2305.00169v1
• Date: Sat, 29 Apr 2023 04:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 16:40:13.515689
• Title: An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System
• Title（参考訳）: 広範学習システムに基づく実時間マルチモード障害診断手法の提案
• Authors: Chen Li and Zeyi Liu and Limin Wang and Minyue Li and Xiao He
• Abstract要約: 本稿では,エビデンス推論(ER)アルゴリズムを用いて,異なるベース分類器からの情報を融合する手法を提案する。 本手法では,モデルパラメータをリアルタイムで更新するために擬似ラベル学習法を用いる。 提案手法の有効性を実証するため,マルチモードのテネシー・イーストマンプロセスデータセットを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 26.733033919978364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault diagnosis is a crucial area of research in the industry due to diverse operating conditions that exhibit non-Gaussian, multi-mode, and center-drift characteristics. Currently, data-driven approaches are the main focus in the field, but they pose challenges for continuous fault classification and parameter updates of fault classifiers, particularly in multiple operating modes and real-time settings. Therefore, a pressing issue is to achieve real-time multi-mode fault diagnosis for industrial systems. To address this problem, this paper proposes a novel approach that utilizes an evidence reasoning (ER) algorithm to fuse information and merge outputs from different base classifiers. These base classifiers are developed using a broad learning system (BLS) to improve good fault diagnosis performance. Moreover, in this approach, the pseudo-label learning method is employed to update model parameters in real-time. To demonstrate the effectiveness of the proposed approach, we perform experiments using the multi-mode Tennessee Eastman process dataset.
• Abstract（参考訳）: 故障診断は、非ゲージ、マルチモード、センタードリフト特性を示す多様な動作条件により、業界で重要な研究領域である。 現在、データ駆動アプローチはこの分野で主に注目されているが、連続的な障害分類や障害分類器のパラメータ更新、特に複数の運用モードやリアルタイム設定といった課題を提起している。 したがって, 産業システムにおけるリアルタイムマルチモード故障診断の実現が課題である。 本稿では,エビデンス推論(er)アルゴリズムを用いて,異なるベース分類器からの情報を融合し,出力をマージする新しい手法を提案する。 これらのベース分類器を広範学習システム(bls)を用いて開発し、故障診断性能を向上させる。 さらに,本手法では,モデルパラメータをリアルタイムで更新するために擬似ラベル学習法を用いる。 提案手法の有効性を実証するため,マルチモードのテネシー・イーストマンプロセスデータセットを用いて実験を行った。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry [1.673828135656713]
  マルチスケールグラフ畳み込みフィルタ(MSGCF)を用いた故障診断手法を提案する。 MSGCFは、グラフ畳み込みフィルタブロックにローカル情報融合モジュールとグローバル情報融合モジュールを統合することで、従来のグラフニューラルネットワークフレームワークを強化する。 パーダーボルン大学ベアリングデータセット(PU)の実験では、提案したMSGCF法が精度において代替アプローチを上回ることが示されている。
  論文  参考訳（メタデータ） (2024-05-30T02:51:29Z)
• 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)
• Generalized Out-of-distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning [8.583116999933731]
  本稿では,診断サブタスクを統合するために,一般化されたアウト・オブ・ディストリビューション障害診断フレームワークを提案する。 内部のコントラスト学習とマハラノビス距離に基づく統一的な断層診断手法が提案手法の基盤となる。 提案手法は,複数の故障診断タスクに適用可能であり,既存の単一タスク法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-06-27T07:50:25Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• 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)
• TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
  TranADはディープトランスネットワークに基づく異常検出および診断モデルである。 注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-01-18T19:41:29Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• 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)
• 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)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。