Fugu-MT 論文翻訳(概要): Causality-driven Sequence Segmentation for Enhancing Multiphase Industrial Process Data Analysis and Soft Sensing

論文の概要: Causality-driven Sequence Segmentation for Enhancing Multiphase Industrial Process Data Analysis and Soft Sensing

arxiv url: http://arxiv.org/abs/2407.05954v1
Date: Sun, 30 Jun 2024 10:40:54 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 14:19:18.455836
Title: Causality-driven Sequence Segmentation for Enhancing Multiphase Industrial Process Data Analysis and Soft Sensing
Title（参考訳）: 多相産業プロセスデータ分析とソフトセンシングの強化のための因果性駆動シーケンスセグメンテーション
Authors: Yimeng He, Le Yao, Xinmin Zhang, Xiangyin Kong, Zhihuan Song,
Abstract要約: 本稿では因果型シーケンスセグメンテーションモデルを紹介する。相転移時に起こる因果機構の急激なシフトに基づいて、配列を異なる相に分割する。相毎に時間因果グラフ畳み込みネットワーク(TC-GCN)と呼ばれるソフトセンシングモデルを訓練する。
参考スコア（独自算出の注目度）: 4.420321822469078
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The dynamic characteristics of multiphase industrial processes present significant challenges in the field of industrial big data modeling. Traditional soft sensing models frequently neglect the process dynamics and have difficulty in capturing transient phenomena like phase transitions. To address this issue, this article introduces a causality-driven sequence segmentation (CDSS) model. This model first identifies the local dynamic properties of the causal relationships between variables, which are also referred to as causal mechanisms. It then segments the sequence into different phases based on the sudden shifts in causal mechanisms that occur during phase transitions. Additionally, a novel metric, similarity distance, is designed to evaluate the temporal consistency of causal mechanisms, which includes both causal similarity distance and stable similarity distance. The discovered causal relationships in each phase are represented as a temporal causal graph (TCG). Furthermore, a soft sensing model called temporal-causal graph convolutional network (TC-GCN) is trained for each phase, by using the time-extended data and the adjacency matrix of TCG. The numerical examples are utilized to validate the proposed CDSS model, and the segmentation results demonstrate that CDSS has excellent performance on segmenting both stable and unstable multiphase series. Especially, it has higher accuracy in separating non-stationary time series compared to other methods. The effectiveness of the proposed CDSS model and the TC-GCN model is also verified through a penicillin fermentation process. Experimental results indicate that the breakpoints discovered by CDSS align well with the reaction mechanisms and TC-GCN significantly has excellent predictive accuracy.
Abstract（参考訳）: 多相産業プロセスの動的特性は、産業ビッグデータモデリングの分野において重要な課題である。従来のソフトセンシングモデルはプロセスのダイナミクスをしばしば無視し、相転移のような過渡現象を捉えるのに困難である。この問題に対処するために,本論文では因果型シーケンスセグメンテーション(CDSS)モデルを紹介する。このモデルはまず、変数間の因果関係の局所的動的性質を同定する。その後、相転移中に起こる因果機構の急激なシフトに基づいて、配列を異なる相に分割する。さらに、因果的類似性距離と安定な類似性距離の両方を含む因果的機構の時間的一貫性を評価するために、新しい計量である類似性距離が設計された。各相の因果関係は時間因果グラフ(TCG)として表される。さらに、時間拡張データとTCGの隣接行列を用いて、時間-因果グラフ畳み込みネットワーク(TC-GCN)と呼ばれるソフトセンシングモデルを各位相毎に訓練する。数値的な例を用いて提案したCDSSモデルの有効性を検証し,CDSSが安定および不安定な多相系列のセグメンテーションにおいて優れた性能を示すことを示す。特に、他の方法と比較して非定常時系列を分離する際の精度が高い。また, ペニシリン発酵法により, 提案したCDSSモデルとTC-GCNモデルの有効性を検証した。実験の結果,CDSSにより発見されたブレークポイントは反応機構とよく一致し,TC-GCNは予測精度に優れていた。

関連論文リスト

Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文参考訳（メタデータ） (2024-10-15T12:55:57Z)
Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
論文参考訳（メタデータ） (2024-08-15T08:43:28Z)
Detecting Causality in the Frequency Domain with Cross-Mapping Coherence [0.4218593777811082]
本研究では,時系列間の周波数領域における因果関係を明らかにするために,クロス・マッピング・コヒーレンス(CMC)法を提案する。我々は,ロジスティックマップ,ローレンツシステム,倉本発振器,および視覚野のウィルソン・コーワンモデルを用いて実験を行った。結論として、異なる周波数帯域にまたがる有向因果影響を決定する能力により、CMCは複雑な非線形系の力学に関する貴重な洞察を提供することができる。
論文参考訳（メタデータ） (2024-07-30T09:43:35Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
論文参考訳（メタデータ） (2024-05-11T04:15:47Z)
A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文参考訳（メタデータ） (2024-02-26T04:39:01Z)
Variational Mode Decomposition-Based Nonstationary Coherent Structure Analysis for Spatiotemporal Data [0.0]
本稿では,非定常現象におけるコヒーレント構造の抽出を可能にする変分モード分解(VMD-NCS)解析を提案する。多くの従来のモーダル解析手法とは異なり,提案手法は時間的空間分布の時間的変化を考慮に入れている。
論文参考訳（メタデータ） (2023-12-19T12:36:39Z)
The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文参考訳（メタデータ） (2023-04-11T13:15:33Z)
Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文参考訳（メタデータ） (2021-10-26T17:35:21Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)
Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。