論文の概要: DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems

• arxiv url: http://arxiv.org/abs/2307.03761v2
• Date: Wed, 6 Dec 2023 11:59:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 18:37:10.340765
• Title: DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems
• Title（参考訳）: DyEdgeGAT: IIoTシステムにおける早期故障検出のためのグラフ注意による動的エッジ
• Authors: Mengjie Zhao and Olga Fink
• Abstract要約: 産業用モノのインターネットでは、複雑なシステムからの条件監視センサー信号は、しばしば強い非線形および時空間的ダイナミクスを示す。 様々な断層を検出できる新しい手法であるDyEdgeGATを提案する。 各種故障重大度をシミュレートする合成データセットと実世界の産業規模ベンチマークを用いて,DyEdgeGATの性能を厳格に評価した。
• 参考スコア（独自算出の注目度）: 12.641578474466646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the industrial Internet of Things, condition monitoring sensor signals from complex systems often exhibit strong nonlinear and stochastic spatial-temporal dynamics under varying operating conditions. Such complex dynamics make fault detection particularly challenging. Although previously proposed methods effectively model these dynamics, they often neglect the dynamic evolution of relationships between sensor signals. Undetected shifts in these relationships can potentially result in significant system failures. Another limitation is their inability to effectively distinguish between novel operating conditions and actual faults. To address this gap, we propose DyEdgeGAT (Dynamic Edge via Graph Attention), a novel approach capable of detecting various faults, especially those characterized by relationship changes at early stages, while distinguishing faults from novel operating conditions. DyEdgeGAT is a graph-based framework that provides a novel graph inference scheme for multivariate time series that dynamically constructs edges to represent and track the evolution of relationships between time series. Additionally, it addresses a commonly overlooked aspect: the cause-and-effect relationships within the system, such as between control inputs and measurements. By incorporating system-independent variables as contexts of operating conditions into node dynamics extraction, DyEdgeGAT enhances its robustness against novel operating conditions. We rigorously evaluate DyEdgeGAT's performance using both a synthetic dataset, designed to simulate varying levels of fault severity and a real-world industrial-scale benchmark containing a variety of fault types with different detection complexities. Our findings demonstrate that DyEdgeGAT is highly effective in fault detection, showing particular strength in early fault detection while maintaining robustness under novel operating conditions.
• Abstract（参考訳）: 産業用モノのインターネットでは、複雑なシステムからのコンディショニングセンサー信号は、様々な操作条件下で強い非線形・確率的空間-時間ダイナミクスを示す。 このような複雑な力学は、特に断層検出を難しくする。 以前提案された手法はこれらのダイナミクスを効果的にモデル化するが、センサー信号間の関係の動的進化を無視することが多い。 これらの関係の未検出なシフトは、重大なシステム障害を引き起こす可能性がある。 もうひとつの制限は、新しい運用条件と実際の障害を効果的に区別できないことだ。 このギャップに対処するために,新しい動作条件から障害を識別しながら,特に早期に関係が変化したことを特徴とする,様々な障害を検出する新しいアプローチであるDyEdgeGATを提案する。 DyEdgeGATは、時系列間の関係の進化を動的に表現・追跡するエッジを動的に構築する、多変量時系列の新しいグラフ推論スキームを提供するグラフベースのフレームワークである。 さらに、一般的に見過ごされる側面、例えば制御入力と測定の間のシステム内の因果関係に対処する。 システム非依存変数を操作条件のコンテキストとしてノードダイナミックス抽出に組み込むことで、DyEdgeGATは新たな動作条件に対する堅牢性を高める。 種々の断層重大度をシミュレートする合成データセットと,検出複雑さの異なる様々な断層型を含む実世界の産業規模ベンチマークを用いて,DyEdgeGATの性能を厳格に評価した。 以上の結果から,DyEdgeGATは異常検出に極めて有効であり,新しい動作条件下では堅牢性を維持しつつ早期故障検出に特に強いことが示唆された。

関連論文リスト

• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。 HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• Real-Time Anomaly Detection and Reactive Planning with Large Language Models [18.57162998677491]
  例えば、大規模な言語モデル(LLM)は、インターネットスケールのデータに基づいて訓練され、ゼロショット機能を持つ。 本稿では,潜在的な異常に関する判断を安全な制御フレームワークに組み込む2段階の推論フレームワークを提案する。 これにより、モニターは、四輪車や自動運転車のような動的ロボットシステムの信頼性を向上させることができる。
  論文  参考訳（メタデータ） (2024-07-11T17:59:22Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion Sequence in Complex Scenarios [0.0]
  転がり軸受は回転機械において重要な要素であり、その欠陥は深刻な損傷を引き起こす可能性がある。 異常の早期発見は破滅的な事故を防ぐために不可欠である。 従来のインテリジェントな手法は時系列データを解析するのに用いられてきたが、現実のシナリオでは、センサデータはノイズが多く、時間領域で正確に特徴付けることはできない。 本稿では,産業シナリオに展開するためのマルチスケール機能融合モデルとディープラーニング圧縮技術を用いて,畳み込みニューラルネットワークの改良手法を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:05:50Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Learning Graph Structures with Transformer for Multivariate Time Series Anomaly Detection in IoT [11.480824844205864]
  本研究は,グラフ構造とグラフ畳み込みを自動的に学習することにより,多変量時系列異常検出のための新しいフレームワークGTAを提案する。 また,グラフノード間の異常情報フローをモデル化するために,影響伝播畳み込みという新しいグラフ畳み込みを考案した。 4つの公開異常検出ベンチマークの実験は、我々のアプローチが他の最先端技術よりも優れていることをさらに証明している。
  論文  参考訳（メタデータ） (2021-04-08T01:45:28Z)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。