論文の概要: Anwendung von Causal-Discovery-Algorithmen zur Root-Cause-Analyse in der Fahrzeugmontage
- arxiv url: http://arxiv.org/abs/2407.16388v1
- Date: Tue, 23 Jul 2024 11:22:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 17:26:03.808067
- Title: Anwendung von Causal-Discovery-Algorithmen zur Root-Cause-Analyse in der Fahrzeugmontage
- Title（参考訳）: カウサル発見とルート・カウス・アナリシス : フルゼウグモンタージュの事例から
- Authors: Lucas Possner, Lukas Bahr, Leonard Roehl, Christoph Wehner, Sophie Groeger,
- Abstract要約: 根本原因分析(英: Root Cause Analysis, RCA)は、問題の因果関係を系統的に調査し、同定することを目的とした品質管理手法である。
現代の生産プロセスでは、大量のデータが収集される。
この出版物は、主要な自動車メーカーの組み立てデータに対する因果発見アルゴリズム(CDA)の適用を実証している。
- 参考スコア（独自算出の注目度）: 0.2995925627097048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Root Cause Analysis (RCA) is a quality management method that aims to systematically investigate and identify the cause-and-effect relationships of problems and their underlying causes. Traditional methods are based on the analysis of problems by subject matter experts. In modern production processes, large amounts of data are collected. For this reason, increasingly computer-aided and data-driven methods are used for RCA. One of these methods are Causal Discovery Algorithms (CDA). This publication demonstrates the application of CDA on data from the assembly of a leading automotive manufacturer. The algorithms used learn the causal structure between the characteristics of the manufactured vehicles, the ergonomics and the temporal scope of the involved assembly processes, and quality-relevant product features based on representative data. This publication compares various CDAs in terms of their suitability in the context of quality management. For this purpose, the causal structures learned by the algorithms as well as their runtime are compared. This publication provides a contribution to quality management and demonstrates how CDAs can be used for RCA in assembly processes.
- Abstract（参考訳）: 根本原因分析(英: Root Cause Analysis, RCA)は、問題とその根本原因の因果関係を系統的に調査し、同定することを目的とした品質管理手法である。
従来の手法は、課題の専門家による問題の分析に基づいている。
現代の生産プロセスでは、大量のデータが収集される。
このため、RCAにはますますコンピュータ支援やデータ駆動の手法が使われている。
これらの手法の1つは因果探索アルゴリズム (Causal Discovery Algorithms, CDA) である。
この出版物は、主要な自動車メーカーの組み立てデータに対するCDAの適用を実証している。
使用したアルゴリズムは、製造車両の特性、エルゴノミクス、関連する組立プロセスの時間的スコープ、および代表データに基づく品質関連製品特徴との間の因果構造を学習する。
この出版物は、品質管理の文脈における適合性の観点から、様々なCDAを比較している。
この目的のために、アルゴリズムとランタイムによって学習された因果構造を比較した。
この出版物は品質管理に貢献し、組み立てプロセスにおいてRCAにCDAをどのように使用できるかを示す。
関連論文リスト
- Robust Time Series Causal Discovery for Agent-Based Model Validation [5.430532390358285]
本研究では、ABM検証のための因果構造学習を強化するために、ロバストクロスバリデーション(RCV)アプローチを提案する。
RCV-VarLiNGAM と RCV-PCMCI を開発した。
提案手法は、拡張されたABM検証フレームワークに統合される。
論文 参考訳（メタデータ） (2024-10-25T09:13:26Z) - Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Exploring LLM-based Agents for Root Cause Analysis [17.053079105858497]
ルート原因分析(RCA)はインシデント管理プロセスの重要な部分である。
大規模言語モデル(LLM)はRCAの実行に使用されているが、追加の診断情報を収集することはできない。
検索ツールを備えたReActエージェントを,マイクロソフトが収集した生産事故のアウト・オブ・ディストリビューション・データセット上で評価する。
論文 参考訳（メタデータ） (2024-03-07T00:44:01Z) - 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) - Extracting Process-Aware Decision Models from Object-Centric Process
Data [54.04724730771216]
本稿では,ODDA(Integrated Object-centric Decision Discovery Algorithm)と呼ばれる,オブジェクト中心決定マイニングアルゴリズムを提案する。
IODDAは意思決定の仕組みや意思決定の仕方を知ることができる。
論文 参考訳（メタデータ） (2024-01-26T13:27:35Z) - PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。
複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-06-20T09:55:10Z) - A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。
本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
論文 参考訳（メタデータ） (2023-03-27T09:21:41Z) - Mining Root Cause Knowledge from Cloud Service Incident Investigations
for AIOps [71.12026848664753]
サービス破壊インシデントの根本原因分析(RCA)は、ITプロセスにおける最も重要かつ複雑なタスクの1つです。
本研究では、Salesforceで構築されたICAと、ダウンストリームのインシデントサーチとレトリーバルベースのRCAパイプラインについて紹介する。
論文 参考訳（メタデータ） (2022-04-21T02:33:34Z) - Feature Recommendation for Structural Equation Model Discovery in
Process Mining [0.0]
本稿では,問題に影響を及ぼす可能性のある(集約された)特徴の集合を見つける方法を提案する。
提案手法をProMのプラグインとして実装し、2つの実・合成イベントログを用いて評価した。
論文 参考訳（メタデータ） (2021-08-13T12:23:01Z) - A review of approaches to modeling applied vehicle routing problems [77.34726150561087]
車両経路問題のモデル化手法について概説する。
モデリング手法を評価するためのいくつかの基準を定式化する。
我々はVRPドメインのモデリング分野における今後の研究の道について論じる。
論文 参考訳（メタデータ） (2021-05-23T14:50:14Z) - Accelerating Recursive Partition-Based Causal Structure Learning [4.357523892518871]
帰納的因果探索アルゴリズムは、より小さなサブプロブレムで条件独立性テスト(CI)を用いて良い結果をもたらす。
本稿では,少数のCIテストと望ましくない関係を特定できる汎用因果構造改善戦略を提案する。
次に,合成および実データ集合における解の質と完了時間の観点から,最先端アルゴリズムに対する性能を実証的に評価する。
論文 参考訳（メタデータ） (2021-02-23T08:28:55Z)
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。