文献

J-GLOBAL ID：202202283008961456   整理番号：22A0741885

敵対的オートエンコーダサポートベクトルデータ記述を用いた産業プロセスのための異常データ検出【JST・京大機械翻訳】

Abnormal data detection for industrial processes using adversarial autoencoders support vector data description

著者 (3件)： Qiu Kepeng (State Key Laboratory of Precision Measurement Technology and Instruments, Department of Precision Instrument, Tsinghua University, Beijing 100084, People’s Republic of China) ,  Song Weihong (Heilongjiang North Tool Co., Ltd, Mudanjiang, Heilongjiang 157000, People’s Republic of China) ,  Wang Peng (State Key Laboratory of Precision Measurement Technology and Instruments, Department of Precision Instrument, Tsinghua University, Beijing 100084, People’s Republic of China)
資料名： Measurement Science and Technology  (Measurement Science and Technology)
巻： 33  号： 5  ページ： 055110 (10pp)  発行年： 2022年 
JST資料番号： C0354C  ISSN： 0957-0233  CODEN： MSTCEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 工業プロセスのための異常データ検出は,工業プロセスモニタリングにおいて不可欠であり,生産安全性を確保するための重要な技術である。しかし,ほとんどの工業プロセスでは,以下の課題による効果的な異常データ検出モデルの確立が課題である:(a)少量のプロセスデータによる弱いモデル性能;(b)モデルスパース性と精度の間のトレードオフ;(c)異常データ検出モデルの弱い一般化能力。これらの問題に取り組むために,敵対自動エンコーダサポートベクトルデータ記述(AAESVDD)に基づく方法を,本研究で提示した。最初に,新しい構築戦略を,敵対的オートエンコーダ(AAE)に基づくハイブリッド特徴データセットのために設計した。ハイブリッド特徴データセットは,AAEによって抽出された潜在特性と再構成残差を利用して,プロセスデータの特徴多様性を強化した。次に,サポートベクトルデータ記述(SVDD)とBayes最適化アルゴリズム(BOA)を結合して,ハイブリッド特徴データセットの異常データのための自動検出モデルを確立した。一方,ハイブリッドリスク最小化の判定基準に基づくBOA目的関数を,モデルパラメータを自動的に最適化するために提案して,それはさらにSVDDベースのモデルの一般化能力を強化した。最後に,提案したAAESVDD法の有効性をUCIベンチマークデータセットと工業用ペニシリン発酵プロセスを用いて例証した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *データ ,  最適化手法 ,  残差 ,  精度 ,  異常 ,  ペニシリン発酵 ,  再構成 ,  モデル ,  目的関数 ,  有効性
準シソーラス用語： 自動検出 ,  スパース性 ,  モデルパラメータ ,  プロセス監視 , 【Automatic Indexing@JST】

分類 (2件)： 非破壊試験  (HB02030F) ,  火花点火機関  (PB02020C)

タイトルに関連する用語 (4件)： 敵対 ,  記述 ,  産業 ,  プロセス