論文の概要: Reconstruction-Based Diagnosis through Gödel-Regularized Virtual Observability

• arxiv url: http://arxiv.org/abs/2611.04487v1
• Date: Tue, 03 Nov 2026 08:18:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:57:22.779612
• Title: Reconstruction-Based Diagnosis through Gödel-Regularized Virtual Observability
• Title（参考訳）: Gödel-regularized Virtual Observability による再構成に基づく診断
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.9434097275489
• License:
• Abstract: Not every component in a technical system can be equipped with sensors. Hence, when a fault occurs, available sensors often detect it only after its effects have propagated. This makes the isolation of faults difficult. We approach this problem by introducing virtual sensors. For each combination of component and fault type, we let external knowledge describe the fault-sensitive variables. We introduce a novel neural observer that is only trained on normal data. For fault isolation, it uses available sensor measurements where it is possible and reconstructs missing variables as virtual sensors to predict normal behavior. It detects deviations between current values and nominal predictions and computes local symptoms, which are then compared by onset time. The result is a set of root causes describing the faulty behavior. We use Gödel logic to encode physical knowledge and guide training. We evaluate our approach on synthetic networks, the Tennessee Eastman Process, and datasets of two modular production plants.
• Abstract（参考訳）: 技術システムのすべてのコンポーネントがセンサーを装備できるわけではない。 したがって、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にのみ検出する。 これにより、障害の分離が困難になる。 仮想センサを導入することでこの問題に対処する。 コンポーネントタイプと障害タイプの組み合わせごとに、外部知識に障害に敏感な変数を記述させます。 通常のデータのみをトレーニングした新しいニューラルオブザーバを導入する。 障害分離のためには、利用可能なセンサ測定を使用して、不足した変数を仮想センサとして再構成し、正常な振る舞いを予測する。 これは現在の値と名目予測のずれを検出し、局所症状を計算し、その後、オンセット時間で比較する。 その結果は、欠陥行動を記述する根本原因の集合である。 私たちはGödelロジックを使って、物理的な知識をエンコードし、トレーニングをガイドします。 我々は、合成ネットワーク、テネシー・イーストマン・プロセス、および2つのモジュール生産プラントのデータセットに対するアプローチを評価した。

関連論文リスト

• LaplaceDiag: Fault Diagnosis through Changes in Learned Actuator Effects [0.837609145576126]
  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。
  論文  参考訳（メタデータ） (2026-11-02T19:18:59Z)
• An Explainable GNN Framework for Component-Level Anomaly Diagnosis [3.4007073989623753]
  多くの産業システムでは、異常は異常なセンサーから生じるのではなく、システムのダイナミクスを左右する影響によるものである。 本稿では,センサレベルの異常からコンポーネントレベルの診断に視点を移すGNNベースの異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T08:08:36Z)
• Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers [6.432798111887824]
  センサ故障検出分離法(s-FDI)は一般的な非線形システムに適用される。 このアプローチの主な側面は、ニューラルネットワークベースのKazantzis-Kravaris/Luenberger(KKL)オブザーバの利用である。
  論文  参考訳（メタデータ） (2023-04-18T09:05:07Z)
• 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)
• Anomaly Detection and Inter-Sensor Transfer Learning on Smart Manufacturing Datasets [6.114996271792091]
  スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。 これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。 スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。 予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
  論文  参考訳（メタデータ） (2022-06-13T17:51:24Z)
• 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)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Learning Camera Miscalibration Detection [83.38916296044394]
  本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。 コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。 深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-24T10:32:49Z)

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。