論文の概要: Intelligent Condition Monitoring of Industrial Plants: An Overview of
Methodologies and Uncertainty Management Strategies
- arxiv url: http://arxiv.org/abs/2401.10266v1
- Date: Wed, 3 Jan 2024 21:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 16:31:00.740184
- Title: Intelligent Condition Monitoring of Industrial Plants: An Overview of
Methodologies and Uncertainty Management Strategies
- Title（参考訳）: 工場のインテリジェント・コンディションモニタリング:方法論と不確実性管理戦略の概観
- Authors: Maryam Ahang, Todd Charter, Oluwaseyi Ogunfowora, Maziyar Khadivi,
Mostafa Abbasi, Homayoun Najjaran
- Abstract要約: 本稿では, 産業プラントの知的状態モニタリングと故障検出, 診断方法の概要について述べる。
最もポピュラーで最先端のディープラーニング(DL)と機械学習(ML)アルゴリズムは、産業プラントの状態監視、故障検出、診断のためのアルゴリズムである。
テネシー・イーストマン・プロセス(TEP)を利用したアルゴリズムの精度と仕様の比較を行った。
- 参考スコア（独自算出の注目度）: 2.600463444320238
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Condition monitoring plays a significant role in the safety and reliability
of modern industrial systems. Artificial intelligence (AI) approaches are
gaining attention from academia and industry as a growing subject in industrial
applications and as a powerful way of identifying faults. This paper provides
an overview of intelligent condition monitoring and fault detection and
diagnosis methods for industrial plants with a focus on the open-source
benchmark Tennessee Eastman Process (TEP). In this survey, the most popular and
state-of-the-art deep learning (DL) and machine learning (ML) algorithms for
industrial plant condition monitoring, fault detection, and diagnosis are
summarized and the advantages and disadvantages of each algorithm are studied.
Challenges like imbalanced data, unlabelled samples and how deep learning
models can handle them are also covered. Finally, a comparison of the
accuracies and specifications of different algorithms utilizing the Tennessee
Eastman Process (TEP) is conducted. This research will be beneficial for both
researchers who are new to the field and experts, as it covers the literature
on condition monitoring and state-of-the-art methods alongside the challenges
and possible solutions to them.
- Abstract（参考訳）: コンディションモニタリングは、現代の産業システムの安全性と信頼性において重要な役割を果たす。
人工知能(AI)アプローチは、産業応用の分野として、そして断層を特定する強力な方法として、学術や産業から注目を集めている。
本稿では,オープンソースベンチマークであるテネシー・イーストマンプロセス(tep)に着目し,産業プラントのインテリジェントな状態監視と障害検出および診断方法について概説する。
本調査では, プラント条件モニタリング, 故障検出, 診断において, 最も普及しかつ最先端のディープラーニング (DL) アルゴリズムと機械学習 (ML) アルゴリズムを要約し, 各アルゴリズムの利点と欠点について考察した。
不均衡なデータ、ラベルのないサンプル、深層学習モデルなどの課題もカバーされている。
最後に,テネシー・イーストマン・プロセス(TEP)を用いたアルゴリズムの精度と仕様の比較を行った。
この研究は、この分野に新しい研究者と専門家の両方にとって有益であり、それらに対する課題と可能な解決策とともに、状態監視と最先端の方法に関する文献をカバーしている。
関連論文リスト
- ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい異常検出手法のモジュラーフレームワークであるtextbftextitADerを提案する。
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) - A Review of Physics-Informed Machine Learning Methods with Applications
to Condition Monitoring and Anomaly Detection [1.124958340749622]
PIMLは、既知の物理法則と制約を機械学習アルゴリズムに組み込んだものである。
本研究では,条件モニタリングの文脈におけるPIML技術の概要を概観する。
論文 参考訳（メタデータ） (2024-01-22T11:29:44Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - Anomaly Detection in Industrial Machinery using IoT Devices and Machine
Learning: a Systematic Mapping [0.0]
IoT(Internet of Things)は、産業機械から大量のデータを収集することを可能にする。
しかし、モノのインターネットによって生成されるデータの量と複雑さは、人間が手動で異常を検出するのを困難にしている。
機械学習(ML)アルゴリズムは、生成されたデータを分析することによって、産業機械における異常検出を自動化することができる。
論文 参考訳（メタデータ） (2023-07-28T20:58:00Z) - A Survey on Unsupervised Anomaly Detection Algorithms for Industrial
Images [2.4976719861186845]
産業4.0の発展に伴い、表面欠陥検出・異常検出が産業分野の話題となっている。
教師なし学習は、上記の視覚的産業異常検出の欠点に対処する大きな可能性を持っている。
論文 参考訳（メタデータ） (2022-04-24T01:38:18Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Technical Language Supervision for Intelligent Fault Diagnosis in
Process Industry [1.8574771508622119]
プロセス産業では,人的専門家を支援する自動故障診断手法による状態監視システムにより,メンテナンス効率,プロセス持続可能性,職場の安全が向上する。
インテリジェント障害診断(IFD)における大きな課題は、モデルのトレーニングと検証に必要なラベルの正確なデータセットを開発することである。
産業データセットにおける技術的言語アノテーションとしての、障害特性と重大性差別に関するドメイン固有知識。
これにより、産業データに基づくIFDシステムのための技術言語監視(TLS)ソリューションを開発する機会が生まれる。
論文 参考訳（メタデータ） (2021-12-11T18:59:40Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳（メタデータ） (2021-04-29T09:54:54Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳（メタデータ） (2021-03-08T10:56:38Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳（メタデータ） (2020-10-27T09:56:16Z)
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。