論文の概要: Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems

• arxiv url: http://arxiv.org/abs/2506.21502v1
• Date: Thu, 26 Jun 2025 17:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.217303
• Title: Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems
• Title（参考訳）: サイバー物理システムにおけるプロセスマイニング駆動モデリングと故障診断のためのシミュレーション
• Authors: Francesco Vitale, Nicola Dall'Ora, Sebastiano Gaiardelli, Enrico Fraccaroli, Nicola Mazzocca, Franco Fummi,
• Abstract要約: CPS(Cyber-Physical Systems)の故障診断は,システムの信頼性と運用効率の確保に不可欠である。 本稿では, 時系列, プロセスマイニング, シミュレーションにおける集団異常検出を統合した, 教師なし故障診断手法を提案する。 これにより、予測保守と産業環境のためのデジタルツインの開発を支援する総合的なフォールト辞書の作成が可能になる。
• 参考スコア（独自算出の注目度）: 5.065341495341096
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fault diagnosis in Cyber-Physical Systems (CPSs) is essential for ensuring system dependability and operational efficiency by accurately detecting anomalies and identifying their root causes. However, the manual modeling of faulty behaviors often demands extensive domain expertise and produces models that are complex, error-prone, and difficult to interpret. To address this challenge, we present a novel unsupervised fault diagnosis methodology that integrates collective anomaly detection in multivariate time series, process mining, and stochastic simulation. Initially, collective anomalies are detected from low-level sensor data using multivariate time-series analysis. These anomalies are then transformed into structured event logs, enabling the discovery of interpretable process models through process mining. By incorporating timing distributions into the extracted Petri nets, the approach supports stochastic simulation of faulty behaviors, thereby enhancing root cause analysis and behavioral understanding. The methodology is validated using the Robotic Arm Dataset (RoAD), a widely recognized benchmark in smart manufacturing. Experimental results demonstrate its effectiveness in modeling, simulating, and classifying faulty behaviors in CPSs. This enables the creation of comprehensive fault dictionaries that support predictive maintenance and the development of digital twins for industrial environments.
• Abstract（参考訳）: CPS(Cyber-Physical Systems)の故障診断は、異常を正確に検出し、根本原因を特定することにより、システムの信頼性と運用効率を確保するために不可欠である。 しかし、欠点のある振る舞いを手動でモデリングするには、しばしば広範なドメインの専門知識を必要とし、複雑でエラーを起こし、解釈が難しいモデルを生成する。 この課題に対処するために,多変量時系列,プロセスマイニング,確率シミュレーションにおける集団異常検出を統合した,新しい教師なし故障診断手法を提案する。 当初は、多変量時系列解析を用いて低レベルのセンサデータから集合異常を検出する。 これらの異常は構造化されたイベントログに変換され、プロセスマイニングを通じて解釈可能なプロセスモデルの発見を可能にする。 抽出したペトリネットにタイミング分布を組み込むことにより, 故障行動の確率的シミュレーションを支援し, 根本原因分析と行動理解の促進を図る。 この手法は、スマート製造において広く認められたベンチマークであるRobotic Arm Dataset (RoAD)を用いて検証されている。 実験により, CPSのモデリング, シミュレーション, 分類において, その効果が示された。 これにより、予測保守と産業環境のためのデジタルツインの開発を支援する包括的なフォールト辞書の作成が可能になる。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Research on Anomaly Detection Methods Based on Diffusion Models [4.979627412142658]
  異常検出は機械学習とデータマイニングの基本的な課題であり、サイバーセキュリティ、産業障害診断、臨床疾患モニタリングに重要な応用がある。 統計モデリングや機械学習ベースのアプローチといった従来の手法は、複雑で高次元のデータ分散を扱う際の課題に直面することが多い。 本稿では,拡散確率モデル(DPM)の長所を利用して,画像および音声データの異常を効果的に識別するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-08T11:19:08Z)
• Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
  オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。 本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。 実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-03T19:30:11Z)
• Deep Learning-based Anomaly Detection and Log Analysis for Computer Networks [5.809158072574843]
  本稿では,孤立林,GAN,トランスフォーマーを統合した新しい融合モデルを提案する。 このモデルは誤報率を低減しつつ、異常検出の精度を大幅に向上させる。 また、ログ解析タスクでもうまく機能し、異常な振る舞いを素早く識別することができる。
  論文  参考訳（メタデータ） (2024-07-08T06:07:51Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Analysis of Numerical Integration in RNN-Based Residuals for Fault Diagnosis of Dynamic Systems [0.6999740786886536]
  本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。 データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
  論文  参考訳（メタデータ） (2023-05-08T12:48:18Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。