論文の概要: Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework
- arxiv url: http://arxiv.org/abs/2404.05891v1
- Date: Mon, 8 Apr 2024 22:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 16:28:06.468490
- Title: Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework
- Title（参考訳）: 不完全データによる条件モニタリング:統合的変分オートエンコーダと距離メトリックフレームワーク
- Authors: Maryam Ahang, Mostafa Abbasi, Todd Charter, Homayoun Najjaran,
- Abstract要約: 本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。
我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。
故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
- 参考スコア（独自算出の注目度）: 2.7898966850590625
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Condition monitoring of industrial systems is crucial for ensuring safety and maintenance planning, yet notable challenges arise in real-world settings due to the limited or non-existent availability of fault samples. This paper introduces an innovative solution to this problem by proposing a new method for fault detection and condition monitoring for unseen data. Adopting an approach inspired by zero-shot learning, our method can identify faults and assign a relative health index to various operational conditions. Typically, we have plenty of data on normal operations, some data on compromised conditions, and very few (if any) samples of severe faults. We use a variational autoencoder to capture the probabilistic distribution of previously seen and new unseen conditions. The health status is determined by comparing each sample's deviation from a normal operation reference distribution in the latent space. Faults are detected by establishing a threshold for the health indexes, allowing the model to identify severe, unseen faults with high accuracy, even amidst noise. We validate our approach using the run-to-failure IMS-bearing dataset and compare it with other methods. The health indexes generated by our model closely match the established descriptive model of bearing wear, attesting to the robustness and reliability of our method. These findings highlight the potential of our methodology in augmenting fault detection capabilities within industrial domains, thereby contributing to heightened safety protocols and optimized maintenance practices.
- Abstract（参考訳）: 産業システムの状況監視は安全と維持計画の確保に不可欠であるが, 故障サンプルの限定的あるいは非存在的利用により, 現実の環境において顕著な課題が生じる。
本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案することにより,この問題に対する革新的な解決策を提案する。
ゼロショット学習にインスパイアされたアプローチを採用することで、障害を特定し、さまざまな運用条件に相対的な健康指標を割り当てることができる。
通常、通常のオペレーションに関するデータや、妥協された条件に関するデータ、深刻な障害の非常に少ない(もしあれば)サンプルがあります。
我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。
潜伏空間における正常な操作基準分布から各試料の偏差を比較することにより、健康状態を決定する。
故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
我々は,実行時から障害時までのIMS対応データセットを用いて,そのアプローチを検証し,他の手法と比較する。
本モデルにより得られた健康指標は,本手法の堅牢性と信頼性を実証し,確立されたベアリング着用の記述モデルと密に一致した。
これらの知見は,産業領域における障害検出能力の向上における方法論の可能性を強調し,安全プロトコルの強化とメンテナンスの最適化に寄与する。
関連論文リスト
- Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。
提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
論文 参考訳（メタデータ） (2024-11-14T16:10:15Z) - Automatically Adaptive Conformal Risk Control [49.95190019041905]
本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。
我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
論文 参考訳（メタデータ） (2024-06-25T08:29:32Z) - Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions [10.627285023764086]
本稿では,入力変数をシステムパラメータと測定値に分離したテスト時間領域適応異常検出(TAAD)フレームワークを提案する。
本手法は,実世界のポンプモニタリングデータセットを用いて検証し,既存の領域適応法よりも優れた故障検出手法であることを示す。
論文 参考訳（メタデータ） (2024-06-06T15:53:14Z) - Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。
問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。
本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
論文 参考訳（メタデータ） (2024-03-15T17:32:02Z) - A Comparison of Residual-based Methods on Fault Detection [6.675805308519987]
本研究では,産業システムにおける欠陥検出のための残差に基づく2つのアプローチを比較した。
性能評価は, 健康指標構築, 断層検出, 健康指標解釈の3つの課題に焦点をあてる。
その結果、両モデルとも平均20サイクルの遅延で故障を検出でき、偽陽性率を低く維持できることがわかった。
論文 参考訳（メタデータ） (2023-09-05T14:39:27Z) - Synthesizing Rolling Bearing Fault Samples in New Conditions: A
framework based on a modified CGAN [1.0569625612398386]
多くの産業において, 故障診断と条件モニタリングは, 運用コストの削減とダウンタイムの削減に不可欠である。
本稿では, 条件付き生成逆数ネットワーク(CGAN)に基づく新しいアルゴリズムを, 実際の故障条件の正常データと故障データに基づいて訓練する。
提案手法は実世界のベアリングデータセット上で検証され, 異なる条件下で故障データを生成する。
論文 参考訳（メタデータ） (2022-06-24T04:47:08Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳（メタデータ） (2020-06-11T17:39:07Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。