Multi-Source Domain Adaptation for Cross-Domain Fault Diagnosis of Chemical Processes

要約

故障診断はプロセス監視において不可欠な要素です。
実際、以前に検出されていた場合には、どの種類の障害が発生したかを判断し、適切な介入を可能にします。
自動故障診断システムは、機械学習を使用してセンサーの読み取り値から故障の種類を予測します。
それにもかかわらず、これらのモデルは、動作モードの変更など、監視対象のプロセスの変更によって引き起こされる可能性のあるデータ分布の変化に敏感です。
このシナリオは、クロスドメイン障害診断 (CDFD) として知られています。
CDFD の単一ソースとマルチソースの教師なしドメイン適応 (それぞれ SSDA と MSDA) アルゴリズムの広範な比較を提供します。
私たちは、化学業界で広く使用されているベンチマークであるテネシー・イーストマンプロセスに照らしてこれらの方法を研究します。
適応が行われていない場合でも、トレーニング中に複数のドメインを使用するとプラスの効果があることを示します。
そのため、MSDA ベースラインは SSDA ベースラインよりも分類精度が平均 23% 向上します。
さらに、複数ソースのシナリオでは、適応なし設定の分類精度が平均 8.4% 向上しました。

要約(オリジナル)

Fault diagnosis is an essential component in process supervision. Indeed, it determines which kind of fault has occurred, given that it has been previously detected, allowing for appropriate intervention. Automatic fault diagnosis systems use machine learning for predicting the fault type from sensor readings. Nonetheless, these models are sensible to changes in the data distributions, which may be caused by changes in the monitored process, such as changes in the mode of operation. This scenario is known as Cross-Domain Fault Diagnosis (CDFD). We provide an extensive comparison of single and multi-source unsupervised domain adaptation (SSDA and MSDA respectively) algorithms for CDFD. We study these methods in the context of the Tennessee-Eastmann Process, a widely used benchmark in the chemical industry. We show that using multiple domains during training has a positive effect, even when no adaptation is employed. As such, the MSDA baseline improves over the SSDA baseline classification accuracy by 23% on average. In addition, under the multiple-sources scenario, we improve classification accuracy of the no adaptation setting by 8.4% on average.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google