Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data

要約

複雑なシステムにおける障害の検出と隔離は、信頼性の高い効率的な運用を確保するために重要です。
ただし、従来の障害検出方法は、時系列変数の非線形性や多変量特性などの問題に悩まされることがよくあります。
この記事では、多変量時系列プロセスの障害検出と分離のための新しい教師なし深層学習アプローチとして、敵対的生成ウェーブレット ニューラル オペレーター (GAWNO) を提案します。GAWNO は、ウェーブレット ニューラル オペレーターと敵対的生成ネットワーク (GAN) の長所を組み合わせて、両方を効果的に捕捉します。
基礎となるシステムのさまざまな変数間の時間分布と空間依存性。
GAWNO を使用した障害の検出と分離のアプローチは、2 つの主要な段階で構成されます。
最初の段階では、GAWNO は通常の動作条件のデータセットでトレーニングされ、基礎となるデータ分布を学習します。
第 2 段階では、トレーニングされた GAWNO を使用した再構成エラーベースのしきい値アプローチが採用され、不一致値に基づいて障害が検出および分離されます。
テネシー イーストマン プロセス (TEP) データセットと、Avedore 下水処理施設 (WWTP) および WWTPN2O データセットと呼ばれる N2O 排出量を使用して、提案されたアプローチを検証します。
全体として、単一のフレームワークでウェーブレット解析、ニューラル オペレーター、生成モデルの力を利用して障害を検出および分離するというアイデアが、文献で確立されたさまざまなベースラインと比較して有望な結果を示していることを紹介します。

要約(オリジナル)

Fault detection and isolation in complex systems are critical to ensure reliable and efficient operation. However, traditional fault detection methods often struggle with issues such as nonlinearity and multivariate characteristics of the time series variables. This article proposes a generative adversarial wavelet neural operator (GAWNO) as a novel unsupervised deep learning approach for fault detection and isolation of multivariate time series processes.The GAWNO combines the strengths of wavelet neural operators and generative adversarial networks (GANs) to effectively capture both the temporal distributions and the spatial dependencies among different variables of an underlying system. The approach of fault detection and isolation using GAWNO consists of two main stages. In the first stage, the GAWNO is trained on a dataset of normal operating conditions to learn the underlying data distribution. In the second stage, a reconstruction error-based threshold approach using the trained GAWNO is employed to detect and isolate faults based on the discrepancy values. We validate the proposed approach using the Tennessee Eastman Process (TEP) dataset and Avedore wastewater treatment plant (WWTP) and N2O emissions named as WWTPN2O datasets. Overall, we showcase that the idea of harnessing the power of wavelet analysis, neural operators, and generative models in a single framework to detect and isolate faults has shown promising results compared to various well-established baselines in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google