Twin Transformer using Gated Dynamic Learnable Attention mechanism for Fault Detection and Diagnosis in the Tennessee Eastman Process

要約

障害検出と診断 (FDD) は、産業プロセスの安全性と効率を確保するための重要なタスクです。
我々は、化学プロセス制御のベンチマークとして広く使用されているテネシーイーストマンプロセス (TEP) 用の新しい FDD 手法を提案します。
このモデルは 2 つの別々の Transformer ブランチを採用しており、入力データの独立した処理と多様な情報の潜在的な抽出を可能にします。
ゲート メカニズムと動的学習機能を統合する、新しいアテンション メカニズムである Gated Dynamic Learnable Attendant (GDLAttend) が導入されています。
ゲート メカニズムはアテンションの重みを調整し、モデルが入力の最も関連性の高い部分に焦点を当てることができるようにします。
動的学習アプローチはトレーニング中に注意戦略を適応させ、パフォーマンスの向上につながる可能性があります。
アテンション メカニズムは双一次類似度関数を使用しており、クエリ ベクトルとキー ベクトルの間の複雑な関係をより柔軟に捉えることができます。
私たちのアプローチの有効性を評価するために、TEP の 21 および 18 の異なる障害シナリオに対してアプローチをテストし、そのパフォーマンスをいくつかの確立された FDD 技術と比較しました。
結果は、この方法が精度、誤報率、および誤分類率の点で他の方法よりも優れていることを示しています。
これは、複雑な工業プロセスにおける FDD のアプローチの堅牢性と有効性を強調しています。

要約(オリジナル)

Fault detection and diagnosis (FDD) is a crucial task for ensuring the safety and efficiency of industrial processes. We propose a novel FDD methodology for the Tennessee Eastman Process (TEP), a widely used benchmark for chemical process control. The model employs two separate Transformer branches, enabling independent processing of input data and potential extraction of diverse information. A novel attention mechanism, Gated Dynamic Learnable Attention (GDLAttention), is introduced which integrates a gating mechanism and dynamic learning capabilities. The gating mechanism modulates the attention weights, allowing the model to focus on the most relevant parts of the input. The dynamic learning approach adapts the attention strategy during training, potentially leading to improved performance. The attention mechanism uses a bilinear similarity function, providing greater flexibility in capturing complex relationships between query and key vectors. In order to assess the effectiveness of our approach, we tested it against 21 and 18 distinct fault scenarios in TEP, and compared its performance with several established FDD techniques. The outcomes indicate that the method outperforms others in terms of accuracy, false alarm rate, and misclassification rate. This underscores the robustness and efficacy of the approach for FDD in intricate industrial processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google