論文の概要: Fault Detection and Identification Using a Novel Process Decomposition Algorithm for Distributed Process Monitoring

• arxiv url: http://arxiv.org/abs/2409.11444v3
• Date: Mon, 23 Dec 2024 07:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:50:40.949278
• Title: Fault Detection and Identification Using a Novel Process Decomposition Algorithm for Distributed Process Monitoring
• Title（参考訳）: 分散プロセスモニタリングのための新しいプロセス分解アルゴリズムによる故障検出と同定
• Authors: Enrique Luna Villagomez, Vladimir Mahalec,
• Abstract要約: この研究は、相互作用する測定のプロセスブロックを決定する新しいアルゴリズムを導入する。 また、異なる断層の大きさをスケールする新しいコントリビューションマップも定義します。 提案手法は,最も洗練された集中型あるいは分散型の手法と同等の故障検出率を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recent progress in fault detection and identification increasingly relies on sophisticated techniques for fault detection, applied through either centralized or distributed approaches. Instead of increasing the sophistication of the fault detection method, this work introduces a novel algorithm for determining process blocks of interacting measurements and applies principal component analysis (PCA) at the block level to identify fault occurrences. Additionally, we define a novel contributions map that scales the magnitudes of disparate faults to facilitate the visual identification of abnormal values of measured variables and analysis of fault propagation. Bayesian aggregate fault index and block fault indices vs. time pinpoint origins of the fault. The proposed method yields fault detection rates on par with most sophisticated centralized or distributed methods on the Tennessee Eastman Plant benchmark. Since the decomposition algorithm relies on the process flowsheet and control loop structures, practicing control engineers can implement the proposed method in a straightforward manner.
• Abstract（参考訳）: 断層検出と同定の最近の進歩は、集中的あるいは分散的アプローチによって適用される断層検出の高度な技術にますます依存している。 本研究は, 故障検出法の高度化に代えて, 干渉計測のプロセスブロックを決定する新しいアルゴリズムを導入し, 故障発生の同定に主成分分析(PCA)を適用した。 さらに,異なる断層の規模を拡大し,測定値の異常値の視覚的識別と断層伝播の解析を容易にする新しいコントリビューションマップを定義した。 Bayesian aggregate fault Index and block fault Indices vs. Time pinpoint origins of the fault。 提案手法は、テネシー・イーストマン・プラントのベンチマークにおいて、最も洗練された集中型あるいは分散型の手法と同等の故障検出率を得る。 分解アルゴリズムはプロセスフローシートと制御ループ構造に依存しているため、制御技術者が直接的に提案手法を実装できる。

関連論文リスト

• Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
  モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態の推定。 時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。 既存の2つの教師なし学習ベースのデータ駆動手法は、モデルフリープロセスのBSCM問題に対処できない。 半教師付き学習に基づくDANSE手法を開発し,その手法をSemiDANSEと呼ぶ。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Fault Detection and Monitoring using an Information-Driven Strategy: Method, Theory, and Application [5.056456697289351]
  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。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Fault Detection via Occupation Kernel Principal Component Analysis [2.2136680238528665]
  作業カーネルを用いた新しい主成分分析(PCA)手法を提案する。 作業カーネルは, 測定データに合わせた特徴マップを作成し, 統合利用による固有のノイズ・ロバスト性を持ち, 可変長の不規則サンプリングシステムトラジェクトリを利用することができる。
  論文  参考訳（メタデータ） (2023-03-20T14:15:52Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• A Data-Driven Approach for Linear and Nonlinear Damage Detection Using Variational Mode Decomposition and GARCH Model [13.183011809131235]
  信号処理と特徴抽出のための変分モード分解(VMD)と一般化された自己回帰条件不整合性(GARCH)モデルをデプロイする。 提案手法の性能を線形および非線形損傷評価の2つの実験モデルで評価した。
  論文  参考訳（メタデータ） (2021-11-16T17:01:26Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)
• Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems [6.4332733596587115]
  本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。 提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
  論文  参考訳（メタデータ） (2020-09-15T02:01:47Z)

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。