論文の概要: Time-EAPCR-T: A Universal Deep Learning Approach for Anomaly Detection in Industrial Equipment

• arxiv url: http://arxiv.org/abs/2503.12534v1
• Date: Sun, 16 Mar 2025 14:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:29.297386
• Title: Time-EAPCR-T: A Universal Deep Learning Approach for Anomaly Detection in Industrial Equipment
• Title（参考訳）: Time-EAPCR-T: 産業機器における異常検出のための普遍的深層学習手法
• Authors: Huajie Liang, Di Wang, Yuchao Lu, Mengke Song, Lei Liu, Ling An, Ying Liang, Xingjie Ma, Zhenyu Zhang, Chichun Zhou,
• Abstract要約: 産業データは、マルチソースの不均一性、非線形性、強い結合、時間的相互作用などの特性を示す。 従来の機械学習アプローチは、処理能力と一般化能力の制限により、このような複雑なデータに苦しむことが多い。 本研究では,Transformer が Time-EAPCR の時系列処理コンポーネントである LSTM モジュールを置き換える新しいモデル Time-EAPCR-T を提案する。
• 参考スコア（独自算出の注目度）: 10.980851641662662
• License:
• Abstract: With the advancement of Industry 4.0, intelligent manufacturing extensively employs sensors for real-time multidimensional data collection, playing a crucial role in equipment monitoring, process optimisation, and efficiency enhancement. Industrial data exhibit characteristics such as multi-source heterogeneity, nonlinearity, strong coupling, and temporal interactions, while also being affected by noise interference. These complexities make it challenging for traditional anomaly detection methods to extract key features, impacting detection accuracy and stability. Traditional machine learning approaches often struggle with such complex data due to limitations in processing capacity and generalisation ability, making them inadequate for practical applications. While deep learning feature extraction modules have demonstrated remarkable performance in image and text processing, they remain ineffective when applied to multi-source heterogeneous industrial data lacking explicit correlations. Moreover, existing multi-source heterogeneous data processing techniques still rely on dimensionality reduction and feature selection, which can lead to information loss and difficulty in capturing high-order interactions. To address these challenges, this study applies the EAPCR and Time-EAPCR models proposed in previous research and introduces a new model, Time-EAPCR-T, where Transformer replaces the LSTM module in the time-series processing component of Time-EAPCR. This modification effectively addresses multi-source data heterogeneity, facilitates efficient multi-source feature fusion, and enhances the temporal feature extraction capabilities of multi-source industrial data.Experimental results demonstrate that the proposed method outperforms existing approaches across four industrial datasets, highlighting its broad application potential.
• Abstract（参考訳）: 産業4.0の進歩に伴い、インテリジェント製造はリアルタイム多次元データ収集のためのセンサーを広範囲に採用し、機器監視、プロセス最適化、効率向上において重要な役割を担っている。 産業データは、ノイズ干渉の影響を受けながら、マルチソースの不均一性、非線形性、強い結合性、時間的相互作用などの特性を示す。 これらの複雑さは、従来の異常検出手法が重要な特徴を抽出し、検出精度と安定性に影響を与えることを困難にしている。 従来の機械学習アプローチは、処理能力と一般化能力の制限により、そのような複雑なデータに苦しむことが多く、実用的な用途では不十分である。 深層学習の特徴抽出モジュールは画像処理やテキスト処理において顕著な性能を示したが, 明確な相関性に欠けるマルチソース不均一産業データに適用しても効果は残っていない。 さらに、既存のマルチソース異種データ処理技術は、情報損失と高次相互作用の取得の難しさを招きかねない次元削減と特徴選択に依存している。 これらの課題に対処するため,本研究では,従来の研究で提案されたEAPCRモデルとTime-EAPCRモデルを適用し,Transformer が Time-EAPCR の時系列処理コンポーネントである LSTM モジュールを置き換える新しいモデル Time-EAPCR-T を導入する。 この修正は, マルチソースデータの不均一性を効果的に解決し, 効率的なマルチソース機能融合を促進し, マルチソース産業データの時間的特徴抽出能力を向上させる。

関連論文リスト

• Denoising and Adaptive Online Vertical Federated Learning for Sequential Multi-Sensor Data in Industrial Internet of Things [22.208830538149606]
  本研究では,複数のセンサがリアルタイムデータを逐次収集する産業組立ラインシナリオに焦点を当てた。 本稿では,Denoising and Adaptive Online Vertical Federated Learning (DAO-VFL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-03T08:22:15Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• AAD-LLM: Adaptive Anomaly Detection Using Large Language Models [35.286105732902065]
  本研究は,Large Language Models (LLMs) を利用した異常検出モデルの伝達性の向上を目的とする。 この研究はまた、モデルとプラントオペレーターの間でより協調的な意思決定を可能にすることを目指している。
  論文  参考訳（メタデータ） (2024-11-01T13:43:28Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
  TranADはディープトランスネットワークに基づく異常検出および診断モデルである。 注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-01-18T19:41:29Z)
• PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
  マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。 本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-30T20:01:19Z)
• DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
  DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
  論文  参考訳（メタデータ） (2021-09-21T10:38:26Z)
• Auto-encoder based Model for High-dimensional Imbalanced Industrial Data [6.339700878842761]
  分散重み付きマルチヘッドオートエンコーダ分類モデルを導入し,高次元および高不均衡なデータによく適合する。 また、出力制御された表現学習とマルチタスク重み付けを利用して、複数の出力を同時に予測する。
  論文  参考訳（メタデータ） (2021-08-04T14:34:59Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• 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)

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。