抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
大量の多変量時系列データが,スマート製造における複雑なシステムによって生成されるので,改良異常検出フレームワークは,運用リスクとシステムオペレータ上に置かれた監視負荷を減らすために必要である。しかし,そのようなフレームワークの構築は,十分に大きな量の欠陥訓練データが利用できないので挑戦的であり,また,ノイズに対してロバストである間,異なる時間ステップで時間的および文脈的依存性の両方を捕捉するために,フレームワークが必要である。本論文では,多変量時系列における異常検出と診断のための動的閾値化(ACLAE-DT)フレームワークを有する教師なし注意ベース畳込み長短温度メモリ(ConvLSTM)自動符号化器を提案する。このフレームワークは,時系列のペア間の相互関係を捉えることによって,異なる時間ステップでシステム状態を特徴づけるために,特徴画像を構築する前に,前処理とデータを豊かにする。その後,構築した特徴画像を符号化し,時間的挙動を捉え,次に圧縮知識表現を復号化し,特徴画像入力を再構成するために,注意ベースConvLSTM自動符号化器に供給した。次に,再構成誤差を計算し,異常を検出および診断するために,統計的ベース,動的閾値化機構にかけた。現実の製造データに関して実施した評価結果は,異なる実験設定の下で最先端の方法に対する提案した方法の性能強度を実証した。【JST・京大機械翻訳】