An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System

要約

タイトル：広範な学習システムに基づくエビデンシャルリアルタイムマルチモード故障診断アプローチ

要約：
– 故障診断は、非ガウス、マルチモード、および中心ドリフト特性を示すさまざまな運転条件が存在するため、産業界における重要な研究分野である。
– 現在、データ駆動アプローチが主な焦点となっているが、特に多様な運転モードやリアルタイム設定における故障分類とパラメータ更新には課題がある。
– この問題に対処するために、本論文ではエビデンス理論アルゴリズムを使用して、さまざまなベース分類器からの情報を融合し出力を統合する新しいアプローチを提案する。
– これらのベース分類器は、良好な故障診断性能を改善するために広範な学習システム（BLS）を使用して開発されている。
– さらに、このアプローチでは、疑似ラベル学習法を使用してモデルパラメータをリアルタイムで更新する。
– 提案手法の有効性を示すために、マルチモードテネシー・イーストマン・プロセスのデータセットを使用して実験を行う。

要約(オリジナル)

Fault diagnosis is a crucial area of research in the industry due to diverse operating conditions that exhibit non-Gaussian, multi-mode, and center-drift characteristics. Currently, data-driven approaches are the main focus in the field, but they pose challenges for continuous fault classification and parameter updates of fault classifiers, particularly in multiple operating modes and real-time settings. Therefore, a pressing issue is to achieve real-time multi-mode fault diagnosis for industrial systems. To address this problem, this paper proposes a novel approach that utilizes an evidence reasoning (ER) algorithm to fuse information and merge outputs from different base classifiers. These base classifiers are developed using a broad learning system (BLS) to improve good fault diagnosis performance. Moreover, in this approach, the pseudo-label learning method is employed to update model parameters in real-time. To demonstrate the effectiveness of the proposed approach, we perform experiments using the multi-mode Tennessee Eastman process dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI