論文の概要: Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics

• arxiv url: http://arxiv.org/abs/2407.18691v1
• Date: Fri, 26 Jul 2024 12:16:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 13:30:50.937965
• Title: Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics
• Title（参考訳）: 複雑なシステムにおける仮想センシングのためのグラフニューラルネットワーク:不均一な時間ダイナミクスに対処する
• Authors: Mengjie Zhao, Cees Taal, Stephan Baggerohr, Olga Fink,
• Abstract要約: 複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。 HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
• 参考スコア（独自算出の注目度）: 8.715570103753697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time condition monitoring is crucial for the reliable and efficient operation of complex systems. However, relying solely on physical sensors can be limited due to their cost, placement constraints, or inability to directly measure certain critical parameters. Virtual sensing addresses these limitations by leveraging readily available sensor data and system knowledge to estimate inaccessible parameters or infer system states. The increasing complexity of industrial systems necessitates deployments of sensors with diverse modalities to provide a comprehensive understanding of system states. These sensors capture data at varying frequencies to monitor both rapid and slowly varying system dynamics, as well as local and global state evolutions of the systems. This leads to heterogeneous temporal dynamics, which, particularly under varying operational end environmental conditions, pose a significant challenge for accurate virtual sensing. To address this, we propose a Heterogeneous Temporal Graph Neural Network (HTGNN) framework. HTGNN explicitly models signals from diverse sensors and integrates operating conditions into the model architecture. We evaluate HTGNN using two newly released datasets: a bearing dataset with diverse load conditions for bearing load prediction and a year-long simulated dataset for predicting bridge live loads. Our results demonstrate that HTGNN significantly outperforms established baseline methods in both tasks, particularly under highly varying operating conditions. These results highlight HTGNN's potential as a robust and accurate virtual sensing approach for complex systems, paving the way for improved monitoring, predictive maintenance, and enhanced system performance.
• Abstract（参考訳）: 複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 しかし、物理的なセンサーにのみ依存することは、コスト、配置制約、あるいは特定の臨界パラメータを直接測定できないために制限される可能性がある。 仮想センシングは、利用可能なセンサデータとシステム知識を活用して、アクセス不可能なパラメータを推定したり、システムの状態を推測することで、これらの制限に対処する。 産業システムの複雑さの増大は、システム状態の包括的理解を提供するために、多様なモダリティを持つセンサーの展開を必要とする。 これらのセンサーは、様々な周波数でデータをキャプチャして、急速かつゆっくりと変化するシステムのダイナミクスと、システムの局所的および大域的状態の進化をモニタリングする。 これにより異種時間ダイナミクスが生まれ、特に様々な運用環境条件下では、正確な仮想センシングに重大な課題が生じる。 そこで本研究では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。 HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。 HTGNNを新たにリリースした2つのデータセットを用いて評価する。負荷予測のための多様な負荷条件を持つベアリングデータセットと,ブリッジのライブ負荷を予測するための1年間のシミュレーションデータセットである。 以上の結果から,HTGNNは両タスク,特に高度に異なる操作条件下で,確立されたベースライン手法よりも有意に優れていた。 これらの結果は、複雑なシステムに対する堅牢で正確な仮想センシングアプローチとしてのHTGNNの可能性を強調し、監視の改善、予測保守、システム性能の向上への道を開いた。

関連論文リスト

• Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
  我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。 THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。 包括的実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:08:57Z)
• Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
  産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。 高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。 物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:03:59Z)
• Virtual Sensor for Real-Time Bearing Load Prediction Using Heterogeneous Temporal Graph Neural Networks [8.715570103753697]
  精密軸受負荷モニタリングは診断・健康管理(PHM)に不可欠である ベアリングセンサーは通常、ベアリングハウジング上に置かれるが、直接負荷監視にはベアリング内部のセンサーが必要である。 最近導入されたセンサローラは、直接軸受負荷監視を可能にするが、バッテリ寿命に制約がある。 データ駆動の仮想センサーは、バッテリー寿命中に収集されたセンサーローラーデータから学習し、動作条件を負荷にマッピングする。
  論文  参考訳（メタデータ） (2024-04-02T21:03:17Z)
• A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
  本稿では,教師なし深層学習異常検出システムを提案する。 生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。 リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
  論文  参考訳（メタデータ） (2024-03-21T14:26:29Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• DYNAP-SE2: a scalable multi-core dynamic neuromorphic asynchronous spiking neural network processor [2.9175555050594975]
  我々は、リアルタイムイベントベーススパイキングニューラルネットワーク(SNN)をプロトタイピングするための、脳にインスパイアされたプラットフォームを提案する。 提案システムは, 短期可塑性, NMDA ゲーティング, AMPA拡散, ホメオスタシス, スパイク周波数適応, コンダクタンス系デンドライトコンパートメント, スパイク伝達遅延などの動的および現実的なニューラル処理現象の直接エミュレーションを支援する。 異なる生物学的に可塑性のニューラルネットワークをエミュレートする柔軟性と、個体群と単一ニューロンの信号の両方をリアルタイムで監視する能力により、基礎研究とエッジコンピューティングの両方への応用のための複雑なニューラルネットワークモデルの開発と検証が可能になる。
  論文  参考訳（メタデータ） (2023-10-01T03:48:16Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)

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。