論文の概要: Multi-Source Domain Adaptation for Cross-Domain Fault Diagnosis of
Chemical Processes
- arxiv url: http://arxiv.org/abs/2308.11247v1
- Date: Tue, 22 Aug 2023 07:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 18:38:33.044991
- Title: Multi-Source Domain Adaptation for Cross-Domain Fault Diagnosis of
Chemical Processes
- Title(参考訳): 化学プロセスのクロスドメイン故障診断のためのマルチソースドメイン適応
- Authors: Eduardo Fernandes Montesuma, Michela Mulas, Fred Ngol\`e Mboula,
Francesco Corona, Antoine Souloumiac
- Abstract要約: クロスドメイン障害診断(CDFD)のための単一および複数ソースの教師なし領域適応アルゴリズムを広範囲に比較する。
トレーニング中に複数のドメインを使用する場合,適応が適用されない場合でも,肯定的な効果が認められる。
また,複数ソースのシナリオでは,非適応設定の分類精度を平均8.4%向上させる。
- 参考スコア(独自算出の注目度): 5.119371135458389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fault diagnosis is an essential component in process supervision. Indeed, it
determines which kind of fault has occurred, given that it has been previously
detected, allowing for appropriate intervention. Automatic fault diagnosis
systems use machine learning for predicting the fault type from sensor
readings. Nonetheless, these models are sensible to changes in the data
distributions, which may be caused by changes in the monitored process, such as
changes in the mode of operation. This scenario is known as Cross-Domain Fault
Diagnosis (CDFD). We provide an extensive comparison of single and multi-source
unsupervised domain adaptation (SSDA and MSDA respectively) algorithms for
CDFD. We study these methods in the context of the Tennessee-Eastmann Process,
a widely used benchmark in the chemical industry. We show that using multiple
domains during training has a positive effect, even when no adaptation is
employed. As such, the MSDA baseline improves over the SSDA baseline
classification accuracy by 23% on average. In addition, under the
multiple-sources scenario, we improve classification accuracy of the no
adaptation setting by 8.4% on average.
- Abstract(参考訳): 故障診断はプロセスの監視において不可欠な要素である。
実際、事前に検出されたことを考慮し、どの障害が発生したかを決定し、適切な介入を可能にする。
自動故障診断システムは、センサ読み取りから故障タイプを予測するために機械学習を使用する。
それにもかかわらず、これらのモデルはデータ分布の変化に敏感であり、これは操作モードの変化などの監視プロセスの変化によって引き起こされる可能性がある。
このシナリオはクロスドメイン障害診断(CDFD)として知られている。
我々はCDFDのための単一および複数ソースの非教師付きドメイン適応(SSDAとMSDA)アルゴリズムを広範囲に比較する。
化学産業において広く用いられているベンチマークであるテネシー-イーストマン過程の文脈でこれらの手法を考察した。
トレーニング中に複数のドメインを使用すると,適応性がなくても肯定的な効果があることを示す。
そのため、MSDAベースラインはSSDAベースライン分類の精度を平均23%向上させる。
また,複数ソースのシナリオでは,非適応設定の分類精度を平均8.4%向上させる。
関連論文リスト
- Multi-source-free Domain Adaptation via Uncertainty-aware Adaptive
Distillation [8.791916654073088]
ソースフリードメイン適応(SFDA)は、データプライバシの認識のためにデータにアクセスすることなく、ドメインから取得したデータ間のドメインの不一致を軽減する。
マルチソースフリーな非教師付きドメイン適応設定のための不確実性認識適応蒸留(UAD)を提案する。
論文 参考訳(メタデータ) (2024-02-09T06:48:04Z) - Calibrated Adaptive Teacher for Domain Adaptive Intelligent Fault
Diagnosis [7.88657961743755]
教師なしのドメイン適応(UDA)は、ラベル付きデータがソースドメインで利用可能であり、ラベルなしデータがターゲットドメインでのみ利用可能であるシナリオを扱う。
本稿では,自己学習過程を通じて教師ネットワークの予測を校正する,Calibrated Adaptive Teacher (CAT) と呼ばれる新しいUDA手法を提案する。
論文 参考訳(メタデータ) (2023-12-05T15:19:29Z) - 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) - Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。
DAの明確な検証プロトコルは、文献の悪い実践につながっている。
ドメイン適応手法の3つの分野にまたがる課題を示す。
論文 参考訳(メタデータ) (2023-09-07T17:44:18Z) - 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) - An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on
Broad Learning System [26.733033919978364]
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。
論文 参考訳(メタデータ) (2023-04-29T04:42:44Z) - Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。
代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
論文 参考訳(メタデータ) (2022-07-07T17:14:10Z) - Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。
提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
論文 参考訳(メタデータ) (2022-06-06T17:32:12Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳(メタデータ) (2020-07-06T17:59:30Z)
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。