論文の概要: Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application

• arxiv url: http://arxiv.org/abs/2405.03667v2
• Date: Wed, 12 Feb 2025 14:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:44:32.303111
• Title: Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application
• Title（参考訳）: データ駆動型情報ベース戦略による故障検出とモニタリング:方法,理論,応用
• Authors: Camilo Ramírez, Jorge F. Silva, Ferhat Tamssaouet, Tomás Rojas, Marcos E. Orchard,
• Abstract要約: 本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
• 参考スコア（独自算出の注目度）: 5.056456697289351
• License:
• Abstract: The ability to detect when a system undergoes an incipient fault is of paramount importance in preventing a critical failure. Classic methods for fault detection (including model-based and data-driven approaches) rely on thresholding error statistics or simple input-residual dependencies but face difficulties with non-linear or non-Gaussian systems. Behavioral methods (e.g., those relying on digital twins) address these difficulties but still face challenges when faulty data is scarce, decision guarantees are required, or working with already-deployed models is required. In this work, we propose an information-driven fault detection method based on a novel concept drift detector, addressing these challenges. The method is tailored to identifying drifts in input-output relationships of additive noise models (i.e., model drifts) and is based on a distribution-free mutual information (MI) estimator. Our scheme does not require prior faulty examples and can be applied distribution-free over a large class of system models. Our core contributions are twofold. First, we demonstrate the connection between fault detection, model drift detection, and testing independence between two random variables. Second, we prove several theoretical properties of the proposed MI-based fault detection scheme: (i) strong consistency, (ii) exponentially fast detection of the non-faulty case, and (iii) control of both significance levels and power of the test. To conclude, we validate our theory with synthetic data and the benchmark dataset N-CMAPSS of aircraft turbofan engines. These empirical results support the usefulness of our methodology in many practical and realistic settings, and the theoretical results show performance guarantees that other methods cannot offer.
• Abstract（参考訳）: システムが障害発生時に検出できることは、致命的な失敗を防ぐ上で、最重要事項である。 故障検出の古典的手法(モデルベースおよびデータ駆動アプローチを含む)は閾値誤差統計や単純な入力残差依存に依存しているが、非線形または非ガウス系システムでは困難に直面している。 行動的手法(例えば、デジタルツインに依存しているもの)はこれらの問題に対処するが、障害データが少ない場合、決定保証が必要であり、既にデプロイ済みのモデルで作業する必要がある場合、依然として課題に直面している。 本研究では,これらの課題に対処する新しい概念ドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,付加的雑音モデル(モデルドリフト)の入出力関係におけるドリフトの同定に適しており,分布自由な相互情報(MI)推定器に基づいている。 提案手法は事前の故障例を必要としないため,大規模なシステムモデルに対して分散フリーに適用することができる。 私たちのコアコントリビューションは2つです。 まず, 故障検出, モデルドリフト検出, および2つの確率変数間の独立性テストの関連性を示す。 第二に、提案したMIベースの故障検出手法の理論的特性をいくつか証明する。 (i)強い一貫性。 (ii)非デフォルトケースの指数的高速検出、及び 三 検査の重要度及び威力の両面の制御 結論として,航空機用ターボファンエンジンの合成データとベンチマークデータセットN-CMAPSSを用いて,我々の理論を検証した。 これらの実験結果は,多くの実践的かつ現実的な環境での方法論の有用性を裏付けるものであり,理論的な結果は,他の手法では提供できない性能保証を示すものである。

関連論文リスト

• A Neighbor-Searching Discrepancy-based Drift Detection Scheme for Learning Evolving Data [40.00357483768265]
  本研究では,Nighbor-Searching Discrepancyに基づく新しい概念ドリフト検出手法を提案する。 提案手法は,仮想ドリフトを無視しながら,実概念ドリフトを高精度に検出することができる。 また、ある階級の侵略や撤退を特定することで、分類境界の変化の方向を示すこともできる。
  論文  参考訳（メタデータ） (2024-05-23T04:03:36Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• 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)
• Two-phase Dual COPOD Method for Anomaly Detection in Industrial Control System [0.0]
  従来のICS異常検出法は透明性と解釈性に欠けていた。 本稿では,これらの課題に対処する2相二重コプラ型外乱検出法(COPOD)を提案する。 この方法は経験的分布関数に基づいており、パラメータフリーであり、各特徴の異常への寄与を定量化することで解釈性を提供する。
  論文  参考訳（メタデータ） (2023-04-30T18:13:40Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• Towards Out-of-Distribution Detection with Divergence Guarantee in Deep Generative Models [22.697643259435115]
  深層生成モデルは、分布外データ(OOD)に対して、分布内データ(ID)よりも高い確率を割り当てることができる。 フローベースモデルにおける散逸を解析するための定理を証明している。 本稿では,2つのグループ異常検出手法を提案する。
  論文  参考訳（メタデータ） (2020-02-09T09:54:12Z)

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。