論文の概要: Combining SHAP and Causal Analysis for Interpretable Fault Detection in Industrial Processes
- arxiv url: http://arxiv.org/abs/2510.23817v1
- Date: Mon, 27 Oct 2025 19:56:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:36.501491
- Title: Combining SHAP and Causal Analysis for Interpretable Fault Detection in Industrial Processes
- Title（参考訳）: 産業プロセスにおける解釈可能な故障検出のためのSHAPと因果解析の組み合わせ
- Authors: Pedro Cortes dos Santos, Matheus Becali Rocha, Renato A Krohling,
- Abstract要約: この研究は、テネシー・イーストマン・プロセス(テネシー・イーストマン・プロセス)の複雑な力学でよく知られたベンチマークを用いて、そのような困難に対処する。
我々は、問題をより管理可能で透明な形式に転換し、障害予測を駆動する最も重要なプロセスの特徴を指摘します。
その結果得られた因果構造は、SHAPの発見と著しく一致し、重要なプロセス要素である冷却と分離システム(障害発生の鍵となるもの)を一貫して強調した。
- 参考スコア（独自算出の注目度）: 1.924423011183876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial processes generate complex data that challenge fault detection systems, often yielding opaque or underwhelming results despite advanced machine learning techniques. This study tackles such difficulties using the Tennessee Eastman Process, a well-established benchmark known for its intricate dynamics, to develop an innovative fault detection framework. Initial attempts with standard models revealed limitations in both performance and interpretability, prompting a shift toward a more tractable approach. By employing SHAP (SHapley Additive exPlanations), we transform the problem into a more manageable and transparent form, pinpointing the most critical process features driving fault predictions. This reduction in complexity unlocks the ability to apply causal analysis through Directed Acyclic Graphs, generated by multiple algorithms, to uncover the underlying mechanisms of fault propagation. The resulting causal structures align strikingly with SHAP findings, consistently highlighting key process elements-like cooling and separation systems-as pivotal to fault development. Together, these methods not only enhance detection accuracy but also provide operators with clear, actionable insights into fault origins, a synergy that, to our knowledge, has not been previously explored in this context. This dual approach bridges predictive power with causal understanding, offering a robust tool for monitoring complex manufacturing environments and paving the way for smarter, more interpretable fault detection in industrial systems.
- Abstract（参考訳）: 産業プロセスは、障害検出システムに挑戦する複雑なデータを生成し、先進的な機械学習技術にもかかわらず、しばしば不透明な結果をもたらす。
この研究は、テネシー・イーストマン・プロセス(テネシー・イーストマン・プロセス)を用いて、その複雑な力学でよく知られたベンチマークを用いて、革新的な断層検出フレームワークを開発する。
標準モデルによる最初の試みでは、性能と解釈可能性の両方の限界が明らかとなり、より難易度の高いアプローチへと移行した。
SHAP(SHapley Additive exPlanations)を用いることで、問題をより管理可能で透明な形式に変換し、障害予測を駆動する最も重要なプロセスの特徴を指摘します。
この複雑さの低減により、複数のアルゴリズムが生成するDirected Acyclic Graphsを通じて因果解析を適用して、障害伝播のメカニズムを明らかにすることができる。
その結果得られた因果構造は、SHAPの発見と著しく一致し、重要なプロセス要素である冷却と分離システム(障害発生の鍵となるもの)を一貫して強調した。
これらの手法は,検出精度を向上するだけでなく,我々の知る限りでは,これまで研究されてきたような相乗効果である断層原点に関する明確かつ実用的な知見をオペレータに提供する。
この二重アプローチは、因果的理解による予測力の橋渡しであり、複雑な製造環境を監視し、産業システムにおけるよりスマートで解釈可能な障害検出のための堅牢なツールを提供する。
関連論文リスト
- VAR: Visual Attention Reasoning via Structured Search and Backtracking [49.427842994857635]
構造化された検索としてグラウンドド推論をリキャストするフレームワークであるVisual Attention Reasoningを紹介する。
VARは、推論プロセスを2つの重要な段階に分解する。
我々は、我々の7BモデルであるVAR-7Bが、幻覚と安全性のベンチマークの包括的なスイートに新しい最先端を設定していることを示します。
論文 参考訳（メタデータ） (2025-10-21T13:18:44Z) - RationAnomaly: Log Anomaly Detection with Rationality via Chain-of-Thought and Reinforcement Learning [27.235259453535537]
RationAnomalyは、Chain-of-Thoughtファインチューニングと強化学習を相乗化することにより、ログの異常検出を強化する新しいフレームワークである。
コードとデータセットを含む、対応するリソースをリリースしました。
論文 参考訳（メタデータ） (2025-09-18T07:35:58Z) - Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems [5.065341495341096]
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。
論文 参考訳（メタデータ） (2025-06-26T17:29:37Z) - OmniAD: Detect and Understand Industrial Anomaly via Multimodal Reasoning [76.90511414963265]
我々は,微粒化解析のための異常検出と理解を統一するフレームワークであるOmniADを紹介した。
ビジュアル推論は、Text-as-Maskを活用することで詳細なインスペクションを提供する。
Visual Guided Textual Reasoningは、視覚知覚を統合することで包括的な分析を行う。
論文 参考訳（メタデータ） (2025-05-28T07:02:15Z) - 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) - Enhanced Fault Detection and Cause Identification Using Integrated Attention Mechanism [0.3749861135832073]
本研究では、双方向長短期記憶(BiLSTM)ニューラルネットワークと統合注意機構(IAM)を統合することにより、テネシー・イーストマン・プロセス(TEP)内の障害検出と原因特定のための新しい手法を提案する。
IAMは、スケールドドット製品に対する注意力、残留注意力、動的注意力を組み合わせて、TEP障害検出に不可欠な複雑なパターンや依存関係をキャプチャする。
BiLSTMネットワークはこれらの特徴を双方向に処理して長距離依存関係をキャプチャし、IAMは出力をさらに改善し、故障検出結果が改善された。
論文 参考訳（メタデータ） (2024-07-31T12:01:57Z) - Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。
本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。
これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
論文 参考訳（メタデータ） (2024-07-17T09:45:27Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - On a Uniform Causality Model for Industrial Automation [61.303828551910634]
産業自動化の様々な応用分野に対する一様因果モデルを提案する。
得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。
このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
論文 参考訳（メタデータ） (2022-09-20T11:23:51Z)
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。