論文の概要: LaplaceDiag: Fault Diagnosis through Changes in Learned Actuator Effects
- arxiv url: http://arxiv.org/abs/2611.03849v1
- Date: Mon, 02 Nov 2026 19:18:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 10:51:53.540219
- Title: LaplaceDiag: Fault Diagnosis through Changes in Learned Actuator Effects
- Title(参考訳): LaplaceDiag: 学習アクチュエータ効果の変化による故障診断
- Abstract要約: データ駆動型手法であるLaplaceDiagを導入し、アクチュエータ効果の変化を利用して故障機器の探索を絞り込む。
LaplaceDiagは、Laplace空間で動作するニューラルネットワークであるLaplaceNetで、健全な植物モデルを学ぶ。
- 参考スコア(独自算出の注目度): 0.837609145576126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying faulty components from sensor anomalies is difficult because fault effects can propagate through a plant and different faults can produce similar observations. Detailed component models and labeled fault examples may also be unavailable. We introduce LaplaceDiag, a data-driven method that uses changes in actuator effects to narrow the search for faulty equipment. Actuators act on specific devices and mechanisms, so their changed effects can provide clues to root causes. LaplaceDiag learns a healthy plant model with LaplaceNet, a neural network that operates in Laplace space. It separates nonlinear prediction based on measured history from an explicit matrix that describes how actuator values affect sensor values. Keeping the history predictor fixed allows current actuator effects to be estimated by linear regression without retraining the neural network. Comparison with a healthy reference accounts for estimation uncertainty and normal variation to detect changes and generate actuator-related diagnostic hypotheses. The method supports online and offline diagnosis, providing an intermediate step between anomaly detection and identifying faulty components. We successfully evaluate LaplaceDiag on two datasets.
- Abstract(参考訳): 異常成分をセンサ異常から同定することは、故障効果が植物を通して伝播し、異なる障害が同様の観察をすることができるため困難である。
詳細なコンポーネントモデルとラベル付き障害例も利用できない。
データ駆動型手法であるLaplaceDiagを導入し、アクチュエータ効果の変化を利用して故障機器の探索を絞り込む。
アクチュエータは特定のデバイスやメカニズムに作用するため、変化した影響は根本原因の手がかりを与えることができる。
LaplaceDiagは、Laplace空間で動作するニューラルネットワークであるLaplaceNetで、健全な植物モデルを学ぶ。
測定履歴に基づく非線形予測と、アクチュエータ値がセンサ値にどのように影響するかを記述する明示的な行列を分離する。
履歴予測器を固定しておくことで、ニューラルネットワークを再トレーニングすることなく、線形回帰によって現在のアクチュエータ効果を推定することができる。
評価の不確かさと正常な変動に対する健全な基準アカウントとの比較により、変化を検出し、アクチュエータ関連診断仮説を生成する。
この方法はオンライン診断とオフライン診断をサポートし、異常検出と欠陥コンポーネントの識別の中間ステップを提供する。
2つのデータセット上でLaplaceDiagの評価に成功した。
関連論文リスト
- Reconstruction-Based Diagnosis through Gödel-Regularized Virtual Observability [42.9434097275489]
技術的システムのすべてのコンポーネントにセンサーが装備できるわけではない。そのため、故障が発生した場合、利用可能なセンサーは、その効果が伝播した後のみ検出されることが多い。
我々は,仮想センサを導入してこの問題に対処する。コンポーネントと障害タイプの組み合わせごとに,外部知識に障害感受性変数を記述させる。
障害分離のために、利用可能なセンサ測定を使用して、正常な振る舞いを予測するために、不足する変数を仮想センサーとして再構成する。
論文 参考訳(メタデータ) (2026-11-03T08:18:37Z) - Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams [9.72380657644988]
異常検出法と故障検出法は,正常なシステム動作条件からの逸脱を特定する上で重要である。
多くの応用において、データの変化は必ずしも異常なシステム状態を表すとは限らない。
本稿では,データ分布や異常の変化を検出する手法を提案するとともに,障害と通常のドメインシフトを区別する手法を提案する。
論文 参考訳(メタデータ) (2026-03-09T07:50:01Z) - Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。
文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。
提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
論文 参考訳(メタデータ) (2025-07-17T11:50:29Z) - Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。
大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
論文 参考訳(メタデータ) (2024-08-29T02:21:11Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳(メタデータ) (2023-08-06T05:58:45Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
論文 参考訳(メタデータ) (2022-01-20T06:36:35Z) - Towards Stochastic Fault-tolerant Control using Precision Learning and
Active Inference [3.6536977425574664]
本研究では,アクティブ推論に基づくロボットマニピュレータの耐故障性制御手法を提案する。
既存のスキームの大多数では、測定データに基づいて、センサが正常(機能)か故障かを二分判定する。
本稿では,障害回復を誘発する事前しきい値の定義を必要としない,能動推論と高精度学習に基づく耐故障性スキームを提案する。
論文 参考訳(メタデータ) (2021-09-13T11:14:19Z)
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。