Analysis of Numerical Integration in RNN-Based Residuals for Fault Diagnosis of Dynamic Systems

要約

【タイトル】
– ダイナミックシステムの故障診断のためのRNNベースの残差における数値積分の分析

【要約】
– データ駆動型モデリングと機械学習は、ダイナミックシステムの振る舞いをモデル化するために広く用いられている。その1つの応用例は、モデル予測と計測データを比較して、故障診断アプリケーションに対する残差を生成することである。再帰型ニューラルネットワークモデルは、複雑な非線形ダイナミックシステムをモデル化することが可能であるが、固定ステップの離散時間シミュレーションには限界がある。一方、ニューラル常微分方程式を用いたモデリングにより、特定の時間で状態変数を評価し、モデルのトレーニング中に勾配を計算し、標準的な数値ソルバーを使用して時系列データの基礎的なダイナミックを明示的にモデル化することができる。本研究では、数値ソルバーの選択がニューラル常微分方程式残差のトレーニングおよび評価のパフォーマンスに与える影響について調査している。本論文には、重量トラックのアフタートリートメントシステムのケーススタディが含まれており、これらの技術が故障診断のパフォーマンス向上の可能性を示している。

要約(オリジナル)

Data-driven modeling and machine learning are widely used to model the behavior of dynamic systems. One application is the residual evaluation of technical systems where model predictions are compared with measurement data to create residuals for fault diagnosis applications. While recurrent neural network models have been shown capable of modeling complex non-linear dynamic systems, they are limited to fixed steps discrete-time simulation. Modeling using neural ordinary differential equations, however, make it possible to evaluate the state variables at specific times, compute gradients when training the model and use standard numerical solvers to explicitly model the underlying dynamic of the time-series data. Here, the effect of solver selection on the performance of neural ordinary differential equation residuals during training and evaluation is investigated. The paper includes a case study of a heavy-duty truck’s after-treatment system to highlight the potential of these techniques for improving fault diagnosis performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI