Encoding Domain Expertise into Multilevel Models for Source Location

要約

システムの母集団からのデータは、多くの産業用途で普及しています。
マシンやインフラストラクチャにはセンシング システムがますます搭載されており、複雑な相互依存関係を持つテレメトリ データのストリームが送信されます。
実際には、データ中心の監視手順では、これらの資産 (およびそれぞれのモデル) を別のものとして考慮する傾向があり、分離して動作し、独立したデータに関連付けられています。
対照的に、この研究では、システムのグループのモデル間の統計的な相関関係と相互依存関係がキャプチャされます。
ベイジアン マルチレベル アプローチを利用すると、母集団を構成部分ではなく全体として考慮できるため、データの価値を拡張できます。
最も興味深いのは、領域の専門知識と基礎となる物理学の知識を、システム、サブグループ、または集団レベルでモデルにエンコードできることです。
音源位置のアコースティック エミッション (到着時刻) マッピングの例を示し、マルチレベル モデルが工学における集合システムの表現に自然にどのように役立つかを説明します。
特に、転移学習を強化し、母集団レベルでのさらなる洞察を可能にするために、ドメイン知識を組み合わせたモデルを制約することに重点を置いています。

要約(オリジナル)

Data from populations of systems are prevalent in many industrial applications. Machines and infrastructure are increasingly instrumented with sensing systems, emitting streams of telemetry data with complex interdependencies. In practice, data-centric monitoring procedures tend to consider these assets (and respective models) as distinct — operating in isolation and associated with independent data. In contrast, this work captures the statistical correlations and interdependencies between models of a group of systems. Utilising a Bayesian multilevel approach, the value of data can be extended, since the population can be considered as a whole, rather than constituent parts. Most interestingly, domain expertise and knowledge of the underlying physics can be encoded in the model at the system, subgroup, or population level. We present an example of acoustic emission (time-of-arrival) mapping for source location, to illustrate how multilevel models naturally lend themselves to representing aggregate systems in engineering. In particular, we focus on constraining the combined models with domain knowledge to enhance transfer learning and enable further insights at the population level.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google