論文の概要: SRTFD: Scalable Real-Time Fault Diagnosis through Online Continual Learning
- arxiv url: http://arxiv.org/abs/2408.05681v1
- Date: Sun, 11 Aug 2024 03:26:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 16:07:35.533570
- Title: SRTFD: Scalable Real-Time Fault Diagnosis through Online Continual Learning
- Title(参考訳): SRTFD:オンライン連続学習によるスケーラブルなリアルタイム故障診断
- Authors: Dandan Zhao, Karthick Sharma, Hongpeng Yin, Yuxin Qi, Shuhao Zhang,
- Abstract要約: 現代の産業環境は、新しい断層タイプ、動的条件、大規模データを扱うことができ、最小限の事前情報でリアルタイムの応答を提供するFD手法を必要としている。
本稿では,3つの重要な手法を用いて,オンライン連続学習(OCL)を強化するスケーラブルなリアルタイム故障診断フレームワークSRTFDを提案する。
実世界のデータセットと2つの公開シミュレーションデータセットの実験は、SRTFDの有効性と、現代の産業システムにおいて高度でスケーラブルで正確な故障診断を提供する可能性を示している。
- 参考スコア(独自算出の注目度): 8.016378373626084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault diagnosis (FD) is essential for maintaining operational safety and minimizing economic losses by detecting system abnormalities. Recently, deep learning (DL)-driven FD methods have gained prominence, offering significant improvements in precision and adaptability through the utilization of extensive datasets and advanced DL models. Modern industrial environments, however, demand FD methods that can handle new fault types, dynamic conditions, large-scale data, and provide real-time responses with minimal prior information. Although online continual learning (OCL) demonstrates potential in addressing these requirements by enabling DL models to continuously learn from streaming data, it faces challenges such as data redundancy, imbalance, and limited labeled data. To overcome these limitations, we propose SRTFD, a scalable real-time fault diagnosis framework that enhances OCL with three critical methods: Retrospect Coreset Selection (RCS), which selects the most relevant data to reduce redundant training and improve efficiency; Global Balance Technique (GBT), which ensures balanced coreset selection and robust model performance; and Confidence and Uncertainty-driven Pseudo-label Learning (CUPL), which updates the model using unlabeled data for continuous adaptation. Extensive experiments on a real-world dataset and two public simulated datasets demonstrate SRTFD's effectiveness and potential for providing advanced, scalable, and precise fault diagnosis in modern industrial systems.
- Abstract(参考訳): 故障診断(FD)は、システムの異常を検出することにより、運用上の安全性を維持し、経済損失を最小限に抑えるために不可欠である。
近年,Deep Learning (DL) によるFD手法が注目され,広範囲なデータセットと高度なDLモデルを活用することにより,精度と適応性を大幅に向上した。
しかし、現代の産業環境は、新しい断層タイプ、動的条件、大規模データを扱うことができ、最小限の事前情報でリアルタイムに応答できるFD手法を必要としている。
オンライン連続学習(OCL)は、DLモデルをストリーミングデータから継続的に学習可能にすることによって、これらの要求に対処する可能性を示しているが、データ冗長性、不均衡、ラベル付きデータ制限といった課題に直面している。
これらの制限を克服するために、我々は、冗長なトレーニングと効率を改善するために最も関連性の高いデータを選択するRetrospect Coreset Selection (RCS)、バランスの取れたコアセットの選択と堅牢なモデル性能を保証するGlobal Balance Technique (GBT)、そして、継続的適応のためにラベルなしデータを使用してモデルを更新する Confidence and Uncertainty-driven Pseudo-label Learning (CUPL) という、3つの重要な手法でOCLを強化するスケーラブルなリアルタイム障害診断フレームワークSRTFDを提案する。
実世界のデータセットと2つの公開シミュレーションデータセットに関する大規模な実験は、SRTFDの有効性と、現代の産業システムにおける高度な、スケーラブルで正確な故障診断を提供する可能性を示している。
関連論文リスト
- Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。
我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。
教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文 参考訳(メタデータ) (2024-07-12T15:48:40Z) - Robust Decision Transformer: Tackling Data Corruption in Offline RL via Sequence Modeling [34.547551367941246]
センサーや人間から収集された現実世界のデータには、しばしばノイズやエラーが含まれている。
時間差分学習に基づく従来のオフラインRL手法は、データ破損時に決定変換器(DT)を過小評価する傾向にある。
本稿では,ロバスト決定変換器 (RDT) を提案する。
論文 参考訳(メタデータ) (2024-07-05T06:34:32Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - EdgeFD: An Edge-Friendly Drift-Aware Fault Diagnosis System for
Industrial IoT [0.0]
我々は,産業用モノのインターネット(IIoT)における頻繁なデータドリフトによる課題を軽減するため,DAWC(Drift-Aware Weight Consolidation)を提案する。
DAWCは複数のデータドリフトシナリオを効率的に管理し、エッジデバイス上での一定のモデル微調整の必要性を最小限にする。
包括的診断・可視化プラットフォームも開発しました。
論文 参考訳(メタデータ) (2023-10-07T06:48:07Z) - Fast Machine Unlearning Without Retraining Through Selective Synaptic
Dampening [51.34904967046097]
Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。
高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
論文 参考訳(メタデータ) (2023-08-15T11:30:45Z) - An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on
Broad Learning System [26.733033919978364]
本稿では,産業システムにおけるリアルタイムマルチモード故障診断のための新しい手法を提案する。
提案手法では,拡張エビデンス推論 (ER) アルゴリズムを用いて情報を融合し,異なる基底分類器から出力をマージする。
提案手法の有効性は、マルチモードのテネシー・イーストマンプロセスデータセット上で実証される。
論文 参考訳(メタデータ) (2023-04-29T04:42:44Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳(メタデータ) (2023-04-20T17:11:05Z) - Hyperparameter-free Continuous Learning for Domain Classification in
Natural Language Understanding [60.226644697970116]
ドメイン分類は自然言語理解(NLU)の基本課題である
既存の継続的な学習アプローチの多くは、低い精度とパフォーマンスの変動に悩まされている。
本研究では,テキストデータに対するパラメータフリー連続学習モデルを提案する。
論文 参考訳(メタデータ) (2022-01-05T02:46:16Z) - Technical Language Supervision for Intelligent Fault Diagnosis in
Process Industry [1.8574771508622119]
プロセス産業では,人的専門家を支援する自動故障診断手法による状態監視システムにより,メンテナンス効率,プロセス持続可能性,職場の安全が向上する。
インテリジェント障害診断(IFD)における大きな課題は、モデルのトレーニングと検証に必要なラベルの正確なデータセットを開発することである。
産業データセットにおける技術的言語アノテーションとしての、障害特性と重大性差別に関するドメイン固有知識。
これにより、産業データに基づくIFDシステムのための技術言語監視(TLS)ソリューションを開発する機会が生まれる。
論文 参考訳(メタデータ) (2021-12-11T18:59:40Z) - Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。
ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
論文 参考訳(メタデータ) (2020-07-25T04:03:18Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-22T14:49:33Z)
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。