論文の概要: DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in
IIoT Systems
- arxiv url: http://arxiv.org/abs/2307.03761v3
- Date: Thu, 25 Jan 2024 18:45:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 18:14:30.810367
- 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: DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。
動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。
我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
- 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 (IIoT), condition monitoring sensor
signals from complex systems often exhibit nonlinear and stochastic
spatial-temporal dynamics under varying conditions. These complex dynamics make
fault detection particularly challenging. While previous methods effectively
model these dynamics, they often neglect the evolution of relationships between
sensor signals. Undetected shifts in these relationships can lead to
significant system failures. Furthermore, these methods frequently misidentify
novel operating conditions as faults. Addressing these limitations, we propose
DyEdgeGAT (Dynamic Edge via Graph Attention), a novel approach for early-stage
fault detection in IIoT systems. DyEdgeGAT's primary innovation lies in a novel
graph inference scheme for multivariate time series that tracks the evolution
of relationships between time series, enabled by dynamic edge construction.
Another key innovation of DyEdgeGAT is its ability to incorporate operating
condition contexts into node dynamics modeling, enhancing its accuracy and
robustness. We rigorously evaluated DyEdgeGAT using both a synthetic dataset,
simulating varying levels of fault severity, and a real-world industrial-scale
multiphase flow facility benchmark with diverse fault types under varying
operating conditions and detection complexities. The results show that
DyEdgeGAT significantly outperforms other baseline methods in fault detection,
particularly in the early stages with low severity, and exhibits robust
performance under novel operating conditions.
- Abstract(参考訳): 産業用モノのインターネット(iiot)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、様々な条件下で非線形・確率的空間-時間ダイナミクスを示すことが多い。
これらの複雑なダイナミクスは、特に障害検出を難しくする。
従来の手法は、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進化をしばしば無視する。
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。
さらに、これらの手法は、しばしば新しい動作条件を欠陥として誤認する。
これらの制限に対処するため、IIoTシステムにおける早期故障検出の新しいアプローチであるDyEdgeGAT(Dynamic Edge via Graph Attention)を提案する。
DyEdgeGATの主な革新は、動的エッジ構造によって実現される時系列間の関係の進化を追跡する多変量時系列の新しいグラフ推論スキームである。
DyEdgeGATのもうひとつの重要な革新は、動作条件コンテキストをノードダイナミックスモデリングに組み込むことで、その正確性と堅牢性を向上させることだ。
我々は,DyEdgeGATを人工的データセットを用いて厳格に評価し,種々の断層重大度レベルをシミュレートし,実世界の産業規模多相流施設ベンチマークを行った。
以上の結果から,DyEdgeGATは異常検出における他の基準手法,特に低重度初期において著しく優れ,新規な動作条件下では堅牢な性能を示すことが示された。
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。