論文の概要: Failure Detection in Chemical Processes using Symbolic Machine Learning: A Case Study on Ethylene Oxidation

• arxiv url: http://arxiv.org/abs/2603.06767v1
• Date: Fri, 06 Mar 2026 15:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.101077
• Title: Failure Detection in Chemical Processes using Symbolic Machine Learning: A Case Study on Ethylene Oxidation
• Title（参考訳）: シンボリック機械学習を用いた化学プロセスの故障検出:エチレン酸化を事例として
• Authors: Julien Amblard, Niklas Groll, Matthew Tait, Mark Law, Gürkan Sin, Alessandra Russo,
• Abstract要約: 本稿では,シンボリック機械学習を用いた化学プロセスの故障予測手法について検討する。 本手法は,確率論的ルールの形式で予測モデルを学習可能な最先端の記号型機械学習システム上に構築する。 実験結果から, ランダムフォレストや多層パーセプトロンなどのベースライン手法よりも, シンボリック機械学習が優れていることが示された。
• 参考スコア（独自算出の注目度）: 40.201013672886454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, Artificial Intelligence has significantly advanced, mostly driven by large-scale neural approaches. However, in the chemical process industry, where safety is critical, these methods are often unsuitable due to their brittleness, and lack of explainability and interpretability. Furthermore, open-source real-world datasets containing historical failures are scarce in this domain. In this paper, we investigate an approach for predicting failures in chemical processes using symbolic machine learning and conduct a feasibility study in the context of an ethylene oxidation process. Our method builds on a state-of-the-art symbolic machine learning system capable of learning predictive models in the form of probabilistic rules from context-dependent noisy examples. This system is a general-purpose symbolic learner, which makes our approach independent of any specific chemical process. To address the lack of real-world failure data, we conduct our feasibility study leveraging data generated from a chemical process simulator. Experimental results show that symbolic machine learning can outperform baseline methods such as random forest and multilayer perceptron, while preserving interpretability through the generation of compact, rule-based predictive models. Finally, we explain how such learned rule-based models could be integrated into agents to assist chemical plant operators in decision-making during potential failures.
• Abstract（参考訳）: 過去10年間で、人工知能は大幅に進歩し、主に大規模なニューラルアプローチによって推進された。 しかし、安全性が重要である化学プロセス業界では、これらの手法は脆性、説明可能性の欠如、解釈可能性の欠如により不適当であることが多い。 さらに、この領域では、歴史的な障害を含むオープンソースの実世界のデータセットが不足している。 本稿では, 記号機械学習を用いた化学プロセスの故障予測手法について検討し, エチレン酸化プロセスの文脈で実現可能性の検討を行う。 本手法は,文脈依存型雑音の例から確率的ルールの形で予測モデルを学習できる最先端の記号型機械学習システムを構築した。 本システムは汎用的な記号学習システムであり, 特定の化学プロセスとは無関係である。 実世界の故障データ不足に対処するため,ケミカルプロセスシミュレータから生成したデータを活用することの実現可能性の検討を行った。 実験結果から,ランダムフォレストや多層パーセプトロンなどのベースライン手法よりも,コンパクトなルールベースの予測モデルを生成することで,解釈可能性を維持することができることがわかった。 最後に、このような学習されたルールベースのモデルをエージェントに統合して、潜在的な故障時の意思決定において化学プラントオペレーターを支援する方法について説明する。

関連論文リスト

• 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)
• The Catechol Benchmark: Time-series Solvent Selection Data for Few-shot Machine Learning [4.864188241160383]
  我々は、機械学習ベンチマークのための最初の過渡フローデータセットを提供する、収差予測のための新しいデータセットを提案する。 以前のデータセットは離散パラメータに焦点を当てていましたが、実験的なセットアップによって、多数の継続的プロセス条件をサンプリングすることができます。 我々は,特に理論的にモデル化が難しい課題である溶媒選択に焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-09T10:34:14Z)
• Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data [38.39977540117143]
  化学工学では、プロセスデータを取得するのが高価であり、複雑な現象を完全にモデル化することは困難である。 特に、直接データも観測方程式も利用できない状態の推定に焦点をあてる。 実験データが少ない場合, PINNはプロセスのモデリングが可能であり, 部分的には機械的記述しか知られていないことを示す。
  論文  参考訳（メタデータ） (2024-06-03T16:58:17Z)
• A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
  意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。 このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。 本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
  論文  参考訳（メタデータ） (2024-05-04T17:57:24Z)
• A spectrum of physics-informed Gaussian processes for regression in engineering [0.0]
  センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。 本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
  論文  参考訳（メタデータ） (2023-09-19T14:39:03Z)
• Agnostic Physics-Driven Deep Learning [82.89993762912795]
  この研究は、物理系が勾配計算を使わずに統計的勾配学習を行えることを証明している。 Aeqpropでは、システムの詳細を知る必要はなく、プロシージャは外部操作に基づいている。 Aeqpropはまた、自然(生物)物理系において、真の勾配に基づく統計学習は、一般的な比較的単純なメカニズムによってもたらされることを証明している。
  論文  参考訳（メタデータ） (2022-05-30T12:02:53Z)
• Learning Transport Processes with Machine Intelligence [0.0]
  本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。 提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
  論文  参考訳（メタデータ） (2021-09-27T14:49:22Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。