論文の概要: Formalized Identification Of Key Factors In Safety-Relevant Failure
Scenarios
- arxiv url: http://arxiv.org/abs/2402.18194v1
- Date: Wed, 28 Feb 2024 09:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 15:34:37.822523
- Title: Formalized Identification Of Key Factors In Safety-Relevant Failure
Scenarios
- Title（参考訳）: 安全関連障害シナリオにおける鍵要因の形式化同定
- Authors: Tim Maurice Julitz, Nadine Schl\"uter, Manuel L\"ower
- Abstract要約: 本稿では、安全関連障害シナリオにおける重要な要因を系統的に同定する、データに基づくアプローチを提案する。
このアプローチでは、障害データベースの情報に基づいて影響要因を導出する。
本研究は、障害データベースの情報を用いて、安全関連障害シナリオの重要な要因を特定するための堅牢な方法を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This research article presents a methodical data-based approach to
systematically identify key factors in safety-related failure scenarios, with a
focus on complex product-environmental systems in the era of Industry 4.0. The
study addresses the uncertainty arising from the growing complexity of modern
products. The method uses scenario analysis and focuses on failure analysis
within technical product development. The approach involves a derivation of
influencing factors based on information from failure databases. The failures
described here are documented individually in failure sequence diagrams and
then related to each other in a relationship matrix. This creates a network of
possible failure scenarios from individual failure cases that can be used in
product development. To illustrate the application of the methodology, a case
study of 41 Rapex safety alerts for a hair dryer is presented. The failure
sequence diagrams and influencing factor relationship matrices show 46
influencing factors that lead to safety-related failures. The predominant harm
is burns and electric shocks, which are highlighted by the active and passive
sum diagrams. The research demonstrates a robust method for identifying key
factors in safety-related failure scenarios using information from failure
databases. The methodology provides valuable insights into product development
and emphasizes the frequency of influencing factors and their
interconnectedness.
- Abstract（参考訳）: 本稿では,産業4.0時代の複雑な製品環境システムに焦点をあて,安全関連障害シナリオの重要な要因を体系的に同定する方法論的データベースアプローチを提案する。
この研究は、現代の製品の複雑さの増加から生じる不確実性を取り上げている。
この方法はシナリオ分析を使用し、技術製品開発における障害分析に焦点を当てる。
このアプローチでは、障害データベースの情報に基づいて影響要因を導出する。
ここで説明する失敗は、個別に障害シーケンス図に記録され、その後、関係行列で互いに関連付けられる。
これにより、製品開発で使用できる個々の障害ケースから、可能な障害シナリオのネットワークが生成される。
本手法の適用を解説するために, ヘアドライヤー用41個のRapex安全警報の事例研究を行った。
障害シーケンス図と影響因子関係行列は、安全関連障害につながる46の要因を示している。
主な害は燃焼と電気ショックであり、これはアクティブな和図とパッシブな和図によって強調される。
本研究は,障害データベースの情報を用いて,安全関連障害シナリオにおける重要な要因を特定するロバストな手法を示す。
この方法論は製品開発に関する貴重な洞察を与え、影響要因の頻度と相互接続性を強調する。
関連論文リスト
- Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - Counterfactual-based Root Cause Analysis for Dynamical Systems [0.33748750222488655]
本稿では,残留ニューラルネットワークを用いた根本原因同定手法を提案する。
構造方程式と外的影響に介入した場合に、より多くの根本原因が同定されることを示す。
本稿では,提案手法が実世界の河川データセットだけでなく,ベンチマーク・ダイナミック・システムにも有効であることを示す。
論文 参考訳（メタデータ） (2024-06-12T11:38:13Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - On the Onset of Robust Overfitting in Adversarial Training [66.27055915739331]
Adversarial Training (AT)は、堅牢なニューラルネットワークを構築するために広く使われているアルゴリズムである。
ATは、堅牢なオーバーフィッティングの問題に悩まされているが、その基本的なメカニズムはまだ不明だ。
論文 参考訳（メタデータ） (2023-10-01T07:57:03Z) - Scenario-based Failure Analysis of Product Systems and their Environment [0.0]
利用段階において、技術製品システムは環境と永久的に相互作用する。
この相互作用は、ユーザの安全を著しく脅かし、製品の品質と信頼性に悪影響を及ぼすような失敗につながる可能性がある。
製品利用シナリオを通じて継続的に改善される、障害識別のための方法論が開発されている。
論文 参考訳（メタデータ） (2023-06-25T12:40:41Z) - 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) - Grasping Causality for the Explanation of Criticality for Automated
Driving [0.0]
本研究では,自動走行における安全関連要因の因果的理解を促進する因果的クエリの形式化を提案する。
ジュデア・パールの因果論に基づいて、因果関係を文脈とともに因果構造として定義する。
因果クエリに対する応答を正当に推定するには,データの可用性と品質が不可欠であるため,実世界および合成データ取得の要件についても論じる。
論文 参考訳（メタデータ） (2022-10-27T12:37:00Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-26T10:40:59Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Visual Causality Analysis of Event Sequence Data [32.74361488457415]
イベントシーケンスデータの因果関係を復元する視覚解析手法を提案する。
我々は,Hawkesプロセス上のGranger因果解析アルゴリズムを拡張し,ユーザフィードバックを因果モデルの改良に組み込む。
論文 参考訳（メタデータ） (2020-09-01T04:28:28Z) - Identifying Causal Structure in Dynamical Systems [6.451261098085498]
制御系の因果構造を同定する手法を提案する。
ロボットアームの実験では、実世界のデータから信頼性の高い因果同定が示されている。
論文 参考訳（メタデータ） (2020-06-06T16:17:07Z)
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。