論文の概要: Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health

• arxiv url: http://arxiv.org/abs/2604.20735v1
• Date: Wed, 22 Apr 2026 16:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.226817
• Title: Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health
• Title（参考訳）: シミュレーションに基づく高速ベイズ機器条件モニタリング--熱交換器の健康管理への応用
• Authors: Peter Collett, Alexander Johannes Stasik, Simone Casolo, Signe Riemer-Sørensen,
• Abstract要約: 熱交換器の複雑な故障モードを診断するために,アモータイズされた神経後部推定を利用したAI駆動型フレームワークを提案する。 このフレームワークをMCMCベースラインに対して,様々な合成ファウリングおよびリークシナリオでベンチマークする。 ニューラルネットワークの償却された性質は、ほぼ瞬時に推論を可能にし、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。
• 参考スコア（独自算出の注目度）: 39.61652266573024
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate condition monitoring of industrial equipment requires inferring latent degradation parameters from indirect sensor measurements under uncertainty. While traditional Bayesian methods like Markov Chain Monte Carlo (MCMC) provide rigorous uncertainty quantification, their heavy computational bottlenecks render them impractical for real-time process control. To overcome this limitation, we propose an AI-driven framework utilizing Simulation-Based Inference (SBI) powered by amortized neural posterior estimation to diagnose complex failure modes in heat exchangers. By training neural density estimators on a simulated dataset, our approach learns a direct, likelihood-free mapping from thermal-fluid observations to the full posterior distribution of degradation parameters. We benchmark this framework against an MCMC baseline across various synthetic fouling and leakage scenarios, including challenging low-probability, sparse-event failures. The results show that SBI achieves comparable diagnostic accuracy and reliable uncertainty quantification, while accelerating inference time by a factor of82$\times$ compared to traditional sampling. The amortized nature of the neural network enables near-instantaneous inference, establishing SBI as a highly scalable, real-time alternative for probabilistic fault diagnosis and digital twin realization in complex engineering systems.
• Abstract（参考訳）: 産業機器の正確な状態監視には、不確実性の下で間接センサ測定から潜時劣化パラメータを推定する必要がある。 マルコフ・チェイン・モンテカルロ(MCMC)のような伝統的なベイズ的手法は厳密な不確実性定量化を提供するが、その重い計算ボトルネックはそれらをリアルタイムのプロセス制御には実用的ではない。 この制限を克服するために、アモータイズされた神経後部推定により熱交換器の複雑な故障モードを診断するシミュレーションベース推論(SBI)を利用したAI駆動フレームワークを提案する。 シミュレーションデータセット上でのニューラル密度推定器のトレーニングにより、熱流体観測から劣化パラメータの完全な後部分布への直接的、可能性のないマッピングを学習する。 我々は,このフレームワークを,低確率,スパースイベント障害など,様々な合成ファウリングおよびリークシナリオにまたがるMCMCベースラインに対してベンチマークする。 その結果,SBIは従来のサンプリングと比較して,推定時間を82$\times$で加速する一方で,診断精度と信頼性の高い不確実性定量化を実現していることがわかった。 ニューラルネットワークのアモータイズされた性質は、ほぼ瞬時に推論を可能にし、複雑なエンジニアリングシステムにおける確率的故障診断とデジタル双対実現の、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。

関連論文リスト

• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Inductive Domain Transfer In Misspecified Simulation-Based Inference [29.26298096319145]
  キャリブレーションと分散アライメントを1つのエンドツーエンドのトレーニング可能なモデルに統合する,完全な帰納的・償却型SBIフレームワークを提案する。 我々のアプローチは、他の標準SBIおよび非SBI推定器と同様に、RoPEの性能と一致または上回っている。
  論文  参考訳（メタデータ） (2025-08-21T14:06:42Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• Consistency Models for Scalable and Fast Simulation-Based Inference [9.27488642055461]
  シミュレーションベース推論(SBI)のための新しい条件付きサンプルであるCMPEの整合性モデルを提案する。 CMPEは基本的に連続した確率フローを蒸留し、制約のないアーキテクチャで高速な数発の推論を可能にする。 実験により,CMPEは高次元のベンチマークで最先端のアルゴリズムより優れるだけでなく,より高速なサンプリング速度で競合性能を達成できることを示した。
  論文  参考訳（メタデータ） (2023-12-09T02:14:12Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。