論文の概要: Transferring Graph Neural Networks for Soft Sensor Modeling using Process Topologies

• arxiv url: http://arxiv.org/abs/2502.06826v1
• Date: Wed, 05 Feb 2025 12:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:42.321969
• Title: Transferring Graph Neural Networks for Soft Sensor Modeling using Process Topologies
• Title（参考訳）: プロセストポロジーを用いたソフトセンサモデリングのためのグラフニューラルネットワークの転送
• Authors: Maximilian F. Theisen, Gabrie M. H. Meesters, Artur M. Schweidtmann,
• Abstract要約: 複数の植物にまたがるソフトセンサモデルの伝達学習のためのグラフニューラルネットワークアプローチを提案する。 単位演算はノード,ストリームはエッジ,センサは属性として埋め込まれる。 ソフトセンサーモデルを、異なるトポロジを持つ未確認のプロセスに転送することに成功しました。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Data-driven soft sensors help in process operations by providing real-time estimates of otherwise hard- to-measure process quantities, e.g., viscosities or product concentrations. Currently, soft sensors need to be developed individually per plant. Using transfer learning, machine learning-based soft sensors could be reused and fine-tuned across plants and applications. However, transferring data-driven soft sensor models is in practice often not possible, because the fixed input structure of standard soft sensor models prohibits transfer if, e.g., the sensor information is not identical in all plants. We propose a topology-aware graph neural network approach for transfer learning of soft sensor models across multiple plants. In our method, plants are modeled as graphs: Unit operations are nodes, streams are edges, and sensors are embedded as attributes. Our approach brings two advantages for transfer learning: First, we not only include sensor data but also crucial information on the plant topology. Second, the graph neural network algorithm is flexible with respect to its sensor inputs. This allows us to model data from different plants with different sensor networks. We test the transfer learning capabilities of our modeling approach on ammonia synthesis loops with different process topologies. We build a soft sensor predicting the ammonia concentration in the product. After training on data from one process, we successfully transfer our soft sensor model to a previously unseen process with a different topology. Our approach promises to extend the data-driven soft sensors to cases to leverage data from multiple plants.
• Abstract（参考訳）: データ駆動型ソフトセンサーは、他の方法では困難なプロセス量、例えば粘度、製品濃度をリアルタイムで見積もることで、プロセス操作に役立つ。 現在、ソフトセンサーは植物ごとに個別に開発する必要がある。 トランスファーラーニングを使用することで、機械学習ベースのソフトセンサーを植物やアプリケーション間で再利用し、微調整することができる。 しかし、標準ソフトセンサモデルの固定入力構造は、例えば、センサ情報がすべての植物で同一でない場合、転送を禁止しているため、データ駆動型ソフトセンサモデルの転送は、実際には不可能であることが多い。 複数の植物にまたがるソフトセンサモデルの伝達学習のためのトポロジ対応グラフニューラルネットワークアプローチを提案する。 単位演算はノード,ストリームはエッジ,センサは属性として埋め込まれる。 まず、センサデータだけでなく、植物トポロジーに関する重要な情報も含んでいます。 第二に、グラフニューラルネットワークアルゴリズムはセンサー入力に対して柔軟である。 これにより、異なるセンサーネットワークで異なる植物からのデータモデリングが可能になります。 異なるプロセストポロジを持つアンモニア合成ループにおけるモデリング手法の伝達学習能力をテストする。 製品中のアンモニア濃度を予測するソフトセンサーを構築した。 1つのプロセスからのデータについてトレーニングした後、異なるトポロジを持つ未確認のプロセスにソフトセンサーモデルを転送することに成功しました。 当社のアプローチでは、複数のプラントのデータを活用するケースにデータ駆動型ソフトセンサーを拡張することを約束しています。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Multi-unit soft sensing permits few-shot learning [0.0]
  知識が強い関連性を持つソフトセンサー学習タスク間で伝達されると、一般的に性能向上が達成される。 転送可能性に関する特に関係のあるケースは、同じタイプのソフトセンサーを、類似しているが物理的に異なるプロセスやユニットのために開発する場合である。 この設定で転送可能性を利用する手法を適用すると、マルチユニットソフトセンシングと呼ばれるものになります。
  論文  参考訳（メタデータ） (2023-09-27T17:50:05Z)
• Machine Learning Based Compensation for Inconsistencies in Knitted Force Sensors [1.0742675209112622]
  編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。 本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。 合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-21T09:19:33Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Machine Learning-Based Soft Sensors for Vacuum Distillation Unit [5.728037880354686]
  製品の品質は、プロセスの製品が仕様の範囲内かどうかを知らせる重要な特性である。 この問題に対処する戦略の1つはソフトセンサーである。 ソフトセンサー(Soft Sensor)は、頻繁な測定特性の予測と予測に使用できるモデルの集合である。
  論文  参考訳（メタデータ） (2021-11-19T15:30:43Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Representation Learning for Remote Sensing: An Unsupervised Sensor Fusion Approach [0.0]
  本稿では,複数の情報源から得られたコヒーレンスデータを利用したコントラシティブ・センサ・フュージョンを提案し,それらの組み合わせのすべての有用な表現を学習する。 4700万枚のラベルのない画像三重項のデータセットを用いて、入力センサーから可能なチャネルの組み合わせから有意義な表現を生成するエンコーダを訓練する。 これらの表現は、リモートセンシング分類タスクにおいて、完全な教師付きイメージネット重みよりも優れ、より多くのセンサーが融合するにつれて改善される。
  論文  参考訳（メタデータ） (2021-08-11T08:32:58Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• A Novel Method For Designing Transferable Soft Sensors And Its Application [0.5735035463793008]
  トランスファー可能なソフトセンサを設計するための,新しいトランスファー学習に基づく回帰手法であるDomain Adversarial Neural Network Regression (DANN-R)を提案する。 産業用発電所のSCADAシステムから収集したデータを用いて,提案手法の有効性について検討した。
  論文  参考訳（メタデータ） (2020-08-05T15:20:03Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)
• OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
  既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。 我々は,多方向高解像度触覚センサOmniTactを紹介する。 我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
  論文  参考訳（メタデータ） (2020-03-16T01:31:29Z)

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。