論文の概要: Data-Driven Supervision of a Thermal-Hydraulic Process Towards a Physics-Based Digital Twin
- arxiv url: http://arxiv.org/abs/2602.22267v1
- Date: Wed, 25 Feb 2026 07:09:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-27 18:41:22.337681
- Title: Data-Driven Supervision of a Thermal-Hydraulic Process Towards a Physics-Based Digital Twin
- Title（参考訳）: 物理に基づくディジタル双極子に向けた熱水圧プロセスのデータ駆動スーパービジョン
- Authors: Osimone Imhogiemhe, Yoann Jus, Hubert Lejeune, Saïd Moussaoui,
- Abstract要約: 本稿では, 熱・油圧プロセス監視の観点から, 故障検出と診断を専門とするディジタルツインを開発した。
提案した故障検出・診断アルゴリズムは,特定のテストシナリオで検証される。
- 参考スコア（独自算出の注目度）: 2.0135920996943604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The real-time supervision of production processes is a common challenge across several industries. It targets process component monitoring and its predictive maintenance in order to ensure safety, uninterrupted production and maintain high efficiency level. The rise of advanced tools for the simulation of physical systems in addition to data-driven machine learning models offers the possibility to design numerical tools dedicated to efficient system monitoring. In that respect, the digital twin concept presents an adequate framework that proffers solution to these challenges. The main purpose of this paper is to develop such a digital twin dedicated to fault detection and diagnosis in the context of a thermal-hydraulic process supervision. Based on a numerical simulation of the system, in addition to machine learning methods, we propose different modules dedicated to process parameter change detection and their on-line estimation. The proposed fault detection and diagnosis algorithm is validated on a specific test scenario, with single one-off parameter change occurrences in the system. The numerical results show good accuracy in terms of parameter variation localization and the update of their values.
- Abstract（参考訳）: 生産プロセスのリアルタイム監視は、いくつかの業界で共通の課題である。
プロセスコンポーネントの監視とその予測メンテナンスを目標とし、安全を確保し、生産を中断せず、高い効率を維持する。
データ駆動機械学習モデルに加えて、物理システムのシミュレーションのための高度なツールの台頭は、効率的なシステム監視専用の数値ツールを設計することを可能にする。
その点において、デジタルツインの概念はこれらの課題に対する解決策をもたらす適切な枠組みを提示している。
本研究の目的は, 熱水理プロセス監視の文脈において, 故障検出と診断に特化したディジタルツインを開発することである。
システムの数値シミュレーションに基づいて、機械学習の手法に加えて、プロセスパラメータ変化検出とオンライン推定のための異なるモジュールを提案する。
提案した故障検出・診断アルゴリズムは, 特定のテストシナリオにおいて, システム内で1回のパラメータ変更が発生した場合にのみ検証される。
数値計算の結果,パラメータ変動の局所化と値の更新の点で精度がよいことがわかった。
関連論文リスト
- Reusing Model Validation Methods for the Continuous Validation of Digital Twins of Cyber-Physical Systems [0.12031796234206132]
双生児系における課題の1つは、デジタル双生児が双生児系の有効な表現であることを保証することである。
検証メトリクスを用いることで、双子のシステムの異常を検出できる汎用的なアプローチを提供する。
異常処理はまた,過去のデータに基づいてパラメータ推定を行うデジタルツインの誤差を補正することを意味する。
論文 参考訳（メタデータ） (2025-12-01T17:22:15Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - 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) - Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T09:36:38Z) - AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。
現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。
本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T23:52:06Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems [3.303448701376485]
異常検出は、産業制御システムの安全かつ信頼性の高い運用に不可欠である。
本稿では,このニーズを満たすための新しい深層生成モデルを提案する。
論文 参考訳（メタデータ） (2024-05-03T23:58:27Z) - Statistical Parameterized Physics-Based Machine Learning Digital Twin
Models for Laser Powder Bed Fusion Process [9.182594748320948]
デジタルツイン(Digital twin, DT)は、物理プロセス、製品、および/またはシステムの仮想表現である。
本稿では, LPBF金属添加物製造プロセスの統計的予測のためのパラメータ化物理ベースのディジタルツイン (PPB-DT) を提案する。
我々は,溶融プール地形の予測,モニタリング,制御を行うために,機械学習ベースのディジタルツイン(PPB-ML-DT)モデルを訓練した。
論文 参考訳（メタデータ） (2023-11-14T00:45:53Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - 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) - Data-driven Residual Generation for Early Fault Detection with Limited
Data [4.129225533930966]
多くの複雑なシステムでは、システムのための高精度なモデルを開発することは不可能である。
データ駆動型ソリューションは、いくつかの実践的な理由から、産業システムにおいて大きな注目を集めている。
モデルに基づく手法とは異なり、圧力や電圧などの時系列測定を他の情報源と組み合わせることが直接の前進である。
論文 参考訳（メタデータ） (2021-09-28T03:18:03Z)
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。