論文の概要: Multi-output LSTM soft sensors for industrial anaerobic co-digestion using LSTM-beta-VAE generative data augmentation

• arxiv url: http://arxiv.org/abs/2610.39768v1
• Date: Thu, 29 Oct 2026 10:18:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.491603
• Title: Multi-output LSTM soft sensors for industrial anaerobic co-digestion using LSTM-beta-VAE generative data augmentation
• Title（参考訳）: LSTM-β-VAE生成データを用いた産業嫌気性共消化のための多出力LSTMソフトセンサ
• Abstract要約: 嫌気性消化(AD)は、pH、揮発性有機酸とアルカリ緩衝容量とバイオガス生成の比率など、主要なプロセス変数の綿密なモニタリングを必要とする。 現在のADにおけるデータ駆動アプローチは、主に生産量のみに焦点を当てた単一出力アーキテクチャに限られています。 本研究では,LSTM-beta-Variational AutoencoderとMO-LSTMソフトセンサを用いた新しい生成データ拡張フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.1951068985132065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anaerobic digestion (AD) requires close monitoring of key process variables, including pH, the ratio of volatile organic acids to alkaline buffer capacity and biogas production, to maintain biological stability and prevent process failure. While mechanistic frameworks such as the Anaerobic Digestion Model No. 1 are highly parameterised, computationally expensive, and difficult to calibrate for real-time applications, data-driven Long Short-Term Memory (LSTM) networks offer a potentially more adaptable alternative. However, current data-driven approaches in AD are predominantly limited to single-output architectures that focus solely on production yields, as opposed to simultaneous prediction of vital stability indicators. Furthermore, industrial AD datasets are typically sparse and skewed toward steady-state operations. Baseline evaluations demonstrated this scarcity prevents standard algorithms (Random Forest, XGBoost) and unaugmented LSTMs from recognising the transition to unstable operations, resulting in poor estimation of stability indicators. To overcome these challenges, this study proposes a novel generative data augmentation framework using an LSTM-beta-Variational Autoencoder coupled with a multi-output LSTM (MO-LSTM) soft sensor. By synthesising physically valid sequences of these transitions to unstable operations from one year of full-scale plant data, the method safely populates sparse regions of the feature space. Trained on this augmented dataset, the MO-LSTM achieved robust simultaneous estimation across all targets. This approach mitigates data sparsity, providing a basis for hybrid mechanistic-data-driven modelling and early-warning soft sensors in industrial bioprocesses.
• Abstract（参考訳）: 嫌気性消化(AD)は、生物学的安定性を維持するため、pH、揮発性有機酸とアルカリ緩衝容量とバイオガス生成量の比率などの主要なプロセス変数を綿密に監視する必要がある。 Anaerobic Digestion Model No. 1のようなメカニスティックなフレームワークは非常にパラメータ化されており、計算コストが高く、リアルタイムアプリケーションではキャリブレーションが難しいが、データ駆動のLong Short-Term Memory (LSTM) ネットワークは、より適応可能な代替手段を提供する。 しかし、ADにおける現在のデータ駆動型アプローチは、重要な安定性指標の同時予測とは対照的に、生産収率のみに焦点を当てた単一出力アーキテクチャに限られている。 さらに、産業用ADデータセットは、通常スパースであり、定常運用に向けて歪められている。 この不足が標準アルゴリズム(ランサムフォレスト、XGBoost)や未拡張LSTMの不安定な動作への移行を防止し、安定性指標の低下を招いた。 これらの課題を克服するために,マルチ出力LSTM(MO-LSTM)ソフトセンサを併用したLSTM-β-可変オートエンコーダを用いた新しい生成データ拡張フレームワークを提案する。 これらの遷移の物理的に有効なシーケンスを1年間のフルスケールの植物データから不安定な操作に合成することにより、特徴空間のスパース領域を安全に生成する。 この拡張データセットに基づいてトレーニングされたMO-LSTMは、すべてのターゲットに対して堅牢な同時推定を実現した。 このアプローチはデータの分散を緩和し、産業バイオプロセスにおけるハイブリッドメカニスティックなデータ駆動モデリングと早期警戒型ソフトセンサーの基礎を提供する。

関連論文リスト

• Memory-Augmented Online Test-Time Adaptation for EEG Motor Imagery via Perturbation Consistency and Confidence Calibration [6.504110152344327]
  本稿では、摂動一貫性と信頼度校正(MOPC)を備えたメモリ拡張オンラインテスト時間適応(OTTA)を提案する。 MOPCは、推論段階で、そのデコードパラメータをオンザフライで更新することを可能にする。 BCI IV IIbおよびOpenBMIデータセットで評価した。
  論文  参考訳（メタデータ） (2026-10-21T20:32:45Z)
• A decomposition-integration framework coupling singular spectrum analysis with a volatility-adaptive LSTM for stock price forecasting [1.6936594801109557]
  金融時系列は、マルチスケール、ハイノイズ、非定常ボラティリティのダイナミクスを示す。 既存のCEEMDANハイブリッドは不安定であり、高周波モード混合は下流予測器を汚染する。 本稿では,これらのギャップに対処するため,CEEMDAN-SE-SSA-VMGLを提案する。
  論文  参考訳（メタデータ） (2026-10-17T02:39:54Z)
• SynPre-FL: Synthetic data-driven pretraining integrated Federated Learning training framework [11.908618960989008]
  非IID条件下での頑健な予測のために,高忠実度合成EHR生成と合成事前学習FLを組み合わせた統合フレームワークを提案する。 潜在自己エンコーダ拡散モデルでは、フェデレーショントレーニングのウォームスタートに使用されるプライバシー保護型合成コホートを生成する。 ポストホックキャリブレーションとフェデレーションセーフの説明可能性は信頼性と解釈可能なリスク推定をサポートする。
  論文  参考訳（メタデータ） (2026-07-21T19:12:48Z)
• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• AI-driven Generation of MALDI-TOF MS for Microbial Characterization [1.3155923068686746]
  本研究では,MALDI-TOF MSスペクトルを合成するための深層生成モデルについて検討した。 我々は3つの生成モデル、変分オートエンコーダ(MALDIVAEs)、生成共振器ネットワーク(MALDIGANs)、確率モデル(MALDIffusion)を適応・評価する。 実験により、MALDIVAE、MALDIGAN、MALDIffusionによって生成された合成データは、統計的に、診断的に実測値に匹敵することがわかった。
  論文  参考訳（メタデータ） (2025-11-18T10:01:21Z)
• Benchmarking Simulacra AI's Quantum Accurate Synthetic Data Generation for Chemical Sciences [9.886732105753714]
  我々は,シミュラクラの合成データ生成パイプラインを,小規模から大規模システムのデータセット上で,最先端のMicrosoftパイプラインと比較した。 その結果,SimulacraのLWM(Large Wavefunction Models)パイプラインは,最先端の変分モンテカルロ(VMC)サンプリングアルゴリズムと組み合わせることで,データ生成コストを15～50倍に削減できることがわかった。
  論文  参考訳（メタデータ） (2025-10-30T19:19:56Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)

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。