論文の概要: Explainability for Fault Detection System in Chemical Processes

• arxiv url: http://arxiv.org/abs/2602.16341v1
• Date: Wed, 18 Feb 2026 10:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.577318
• Title: Explainability for Fault Detection System in Chemical Processes
• Title（参考訳）: 化学プロセスにおける故障検出システムの説明可能性
• Authors: Georgios Gravanis, Dimitrios Kyriakou, Spyros Voutetakis, Simira Papadopoulou, Konstantinos Diamantaras,
• Abstract要約: 高精度Long Short-Time Memory(LSTM)の故障診断決定について説明する2つの最先端人工知能(XAI)手法を適用し比較する。 XAIメソッドが障害が発生したプロセスのサブシステムを特定するのにどのように役立つかを強調した。 提案手法は特定のプロセスに限らず、同様の問題にも適用可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we apply and compare two state-of-the-art eXplainability Artificial Intelligence (XAI) methods, the Integrated Gradients (IG) and the SHapley Additive exPlanations (SHAP), that explain the fault diagnosis decisions of a highly accurate Long Short-Time Memory (LSTM) classifier. The classifier is trained to detect faults in a benchmark non-linear chemical process, the Tennessee Eastman Process (TEP). It is highlighted how XAI methods can help identify the subsystem of the process where the fault occurred. Using our knowledge of the process, we note that in most cases the same features are indicated as the most important for the decision, while insome cases the SHAP method seems to be more informative and closer to the root cause of the fault. Finally, since the used XAI methods are model-agnostic, the proposed approach is not limited to the specific process and can also be used in similar problems.
• Abstract（参考訳）: 本研究では,高度に高精度な長短時間メモリ(LSTM)分類器の故障診断決定を記述した2つの最先端のeXplainability Artificial Intelligence(XAI)法,IG(Integrated Gradients)法,SHAP(SHAP)法を適用・比較する。 この分類器は、ベンチマーク非線形化学プロセスであるテネシー・イーストマン・プロセス(TEP)の欠陥を検出するために訓練されている。 XAIメソッドが障害が発生したプロセスのサブシステムを特定するのにどのように役立つかを強調した。 プロセスの知識を利用することで、ほとんどの場合、同じ特徴が決定において最も重要なものとして示されるのに対し、SHAP法はより情報的であり、断層の根本原因に近いものと思われる点に留意する。 最後に、XAI法はモデルに依存しないため、提案手法は特定のプロセスに限らず、同様の問題でも使用できる。

関連論文リスト

• FaultExplainer: Leveraging Large Language Models for Interpretable Fault Detection and Diagnosis [7.161558367924948]
  本稿では,テネシー・イーストマン・プロセス(TEP)における障害検出,診断,説明の改善を目的とした対話型ツールであるFactExplainerを提案する。 FaultExplainerは、リアルタイムセンサデータ可視化、主成分分析(PCA)に基づく障害検出、および大規模言語モデル(LLM)を利用した対話型ユーザインタフェースにおける上位コントリビューション変数の識別を統合する。 2つのシナリオでLLMの推論能力を評価する。1つは歴史的根本原因が提供される場合であり、もう1つは以前に見つからなかった障害の課題を模倣しない場合である。
  論文  参考訳（メタデータ） (2024-12-19T03:35:06Z)
• Fault Detection and Identification Using a Novel Process Decomposition Algorithm for Distributed Process Monitoring [0.0]
  この研究は、相互作用する測定のプロセスブロックを決定する新しいアルゴリズムを導入する。 また、異なる断層の大きさをスケールする新しいコントリビューションマップも定義します。 提案手法は,最も洗練された集中型あるいは分散型の手法と同等の故障検出率を示す。
  論文  参考訳（メタデータ） (2024-09-17T01:17:56Z)
• Bisimulation Learning [55.859538562698496]
  我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。 提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
  論文  参考訳（メタデータ） (2024-05-24T17:11:27Z)
• A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
  本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。 提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。 提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
  論文  参考訳（メタデータ） (2023-10-20T23:56:53Z)
• SCCAM: Supervised Contrastive Convolutional Attention Mechanism for Ante-hoc Interpretable Fault Diagnosis with Limited Fault Samples [9.648963514691046]
  本稿では,限られた断層サンプルから学習するためのアンテホック解釈性を備えた教師付きコントラッシブ・コンボリューション・アテンション機構(SCCAM)を提案する。 追加検証のためのバランスのとれたシナリオと、限られた障害サンプルを持つ2つのシナリオを含む、3つの一般的な障害診断シナリオがカバーされている。 提案手法は, 断層分類と根本原因解析の最先端手法と比較して, 優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-02-03T08:43:55Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• Probabilistic Bearing Fault Diagnosis Using Gaussian Process with Tailored Feature Extraction [10.064000794573756]
  転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。 現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。 本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-09-19T18:34:29Z)
• Regret Analysis in Deterministic Reinforcement Learning [78.31410227443102]
  本稿では,最適学習アルゴリズムの分析と設計の中心となる後悔の問題を考察する。 本稿では,システムパラメータに明示的に依存する対数問題固有の後悔の下位境界について述べる。
  論文  参考訳（メタデータ） (2021-06-27T23:41:57Z)
• A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
  本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。 実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。 実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-14T15:35:45Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。