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/2305.00169v2
- Date: Tue, 6 Jun 2023 12:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 19:56:26.978420
- 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,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ための新しい手法を提案する。
提案手法では,拡張エビデンス推論 (ER) アルゴリズムを用いて情報を融合し,異なる基底分類器から出力をマージする。
提案手法の有効性は、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上で実証される。
- 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 industry. Industrial
processes exhibit diverse operating conditions, where data often have
non-Gaussian, multi-mode, and center-drift characteristics. Data-driven
approaches are currently the main focus in the field, but continuous fault
classification and parameter updates of fault classifiers pose challenges for
multiple operating modes and real-time settings. Thus, a pressing issue is to
achieve real-time multi-mode fault diagnosis in industrial systems. In this
paper, a novel approach to achieve real-time multi-mode fault diagnosis is
proposed for industrial applications, which addresses this critical research
problem. Our approach uses an extended evidence reasoning (ER) algorithm to
fuse information and merge outputs from different base classifiers. These base
classifiers based on broad learning system (BLS) are trained to ensure maximum
fault diagnosis accuracy. Furthermore, pseudo-label learning is used to update
model parameters in real-time. The effectiveness of the proposed approach is
demonstrated on the multi-mode Tennessee Eastman process dataset.
- Abstract(参考訳): 断層診断は産業における重要な研究分野である。
産業プロセスは多様な運用条件を示し、データはしばしば非ゲージ、マルチモード、センタードリフト特性を持つ。
データ駆動型アプローチは現在この分野に重点を置いているが、継続的障害分類と障害分類器のパラメータ更新は、複数の操作モードとリアルタイム設定に課題をもたらす。
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,この重要な研究課題に対処する産業アプリケーションに対して,リアルタイムマルチモード断層診断を実現するための新しい手法を提案する。
本手法では,拡張型エビデンス推論(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。
広範学習システム(bls)に基づくベース分類器を訓練し、最大故障診断精度を確保する。
さらに、擬似ラベル学習を用いてモデルパラメータをリアルタイムで更新する。
提案手法の有効性は、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上で実証される。
関連論文リスト
- 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) - Smart filter aided domain adversarial neural network for fault diagnosis
in noisy industrial scenarios [11.094903196524404]
本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。
提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。
2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
論文 参考訳(メタデータ) (2023-07-04T01:47:00Z) - Internal Contrastive Learning for Generalized Out-of-distribution Fault
Diagnosis (GOOFD) Framework [8.668685281157373]
本稿では, 故障検出, 故障分類, 新たな故障診断など, 診断サブタスクを統合するための汎用フレームワークを提案する。
提案手法の基盤となる内部コントラスト学習に基づく統合的故障診断手法を提案する。
実験で示されたように,提案手法は既存手法と比較して性能が向上する。
論文 参考訳(メタデータ) (2023-06-27T07:50:25Z) - Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。
我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。
既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。
また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-26T05:31:23Z) - 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。