論文の概要: Machine Learning-Based Framework for Real Time Detection and Early Prediction of Control Valve Stiction in Industrial Control Systems
- arxiv url: http://arxiv.org/abs/2601.12362v1
- Date: Sun, 18 Jan 2026 11:34:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.597155
- Title: Machine Learning-Based Framework for Real Time Detection and Early Prediction of Control Valve Stiction in Industrial Control Systems
- Title（参考訳）: 産業制御システムにおけるリアルタイム検出と制御弁の早期予測のための機械学習フレームワーク
- Authors: Natthapong Promsricha, Chotirawee Chatpattanasiri, Nuttavut Kerdgongsup, Stavroula Balabani,
- Abstract要約: 制御バルブスタイクションは、不安定性、機器の摩耗、メンテナンスコストの上昇を引き起こす産業プロセスシステムにおいて一般的な欠点である。
本研究では,日常的に収集されるプロセス信号のみを用いて,スティクションの検出と予測を行う機械学習フレームワークを提案する。
提案するフレームワークを既存の制御システムに統合することで,予測メンテナンスをサポートし,ダウンタイムを低減し,不要なハードウェア置換を回避することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Control valve stiction, a friction that prevents smooth valve movement, is a common fault in industrial process systems that causes instability, equipment wear, and higher maintenance costs. Many plants still operate with conventional valves that lack real time monitoring, making early predictions challenging. This study presents a machine learning (ML) framework for detecting and predicting stiction using only routinely collected process signals: the controller output (OP) from control systems and the process variable (PV), such as flow rate. Three deep learning models were developed and compared: a Convolutional Neural Network (CNN), a hybrid CNN with a Support Vector Machine (CNN-SVM), and a Long Short-Term Memory (LSTM) network. To train these models, a data-driven labeling method based on slope ratio analysis was applied to a real oil and gas refinery dataset. The LSTM model achieved the highest accuracy and was able to predict stiction up to four hours in advance. To the best of the authors' knowledge, this is the first study to demonstrate ML based early prediction of control valve stiction from real industry data. The proposed framework can be integrated into existing control systems to support predictive maintenance, reduce downtime, and avoid unnecessary hardware replacement.
- Abstract（参考訳）: 制御弁スチクション(英: Control valve stiction)は、スムーズなバルブ運動を防ぐ摩擦であり、不安定性、機器の摩耗、メンテナンスコストの上昇を引き起こす産業プロセスシステムにおいて共通の欠点である。
多くの植物は依然として、リアルタイムの監視に欠ける従来のバルブで動作しており、初期の予測は困難である。
本研究では,制御系からの制御出力(OP)と流量などのプロセス変数(PV)のみを用いて,規則の検出と予測を行う機械学習(ML)フレームワークを提案する。
CNN(Convolutional Neural Network)、CNN-SVM(Support Vector Machine)とのハイブリッドCNN、Long Short-Term Memory(LSTM)ネットワークである。
これらのモデルをトレーニングするために,傾斜比分析に基づくデータ駆動ラベル法を実油・ガス精製データセットに適用した。
LSTMモデルは高い精度を達成し、最大4時間前まで沈降を予測することができた。
著者の知識を最大限に活用するために、MLに基づく制御弁の早期予測を実業界データから実証する最初の研究である。
提案するフレームワークを既存の制御システムに統合することで,予測メンテナンスをサポートし,ダウンタイムを低減し,不要なハードウェア置換を回避することができる。
関連論文リスト
- A Machine Learning-Driven Wireless System for Structural Health Monitoring [0.0]
本稿では,炭素繊維強化ポリマー(CFRP)構造体の構造健康モニタリング(SHM)のための機械学習(ML)モデルを統合した無線システムを提案する。
このシステムは、CFRPクーポンに埋め込まれたカーボンナノチューブ(CNT)センサーを介してデータを収集し、これらのデータを中央サーバーにワイヤレスで送信して処理する。
ディープニューラルネットワーク(DNN)モデルは、機械的特性を予測し、構造的障害を予測できるように拡張し、積極的にメンテナンスし、安全性を高める。
論文 参考訳（メタデータ） (2024-09-17T08:08:38Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - In-flight Novelty Detection with Convolutional Neural Networks [0.0]
本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。
本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。
このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
論文 参考訳（メタデータ） (2021-12-07T15:19:41Z) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳（メタデータ） (2021-07-01T13:13:24Z) - Deep Anomaly Detection for Time-series Data in Industrial IoT: A
Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。
まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。
次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。
第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文 参考訳（メタデータ） (2020-07-19T16:47:26Z)
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。