Graph Structural Residuals: A Learning Approach to Diagnosis

要約

従来のモデルベース診断は、明示的なシステムモデルの構築に依存しており、そのプロセスは手間がかかり、専門知識を必要とする。本論文では、モデルベース診断の概念と深いグラフ構造学習を組み合わせた新しいフレームワークを提案する。このデータ駆動型アプローチは、データを活用してシステムの基礎構造を学習し、2つの異なるグラフ隣接行列で表される動的な観測結果を提供する。(i)システム表現、観測、故障の構成要素を再定義すること、(ii)自己教師付きグラフ構造学習モデルアーキテクチャの2つの異なるバージョンを導入すること、(iii)結合振動子システムでの実験を通して、我々のデータ駆動型診断手法の可能性を実証すること、である。

要約(オリジナル)

Traditional model-based diagnosis relies on constructing explicit system models, a process that can be laborious and expertise-demanding. In this paper, we propose a novel framework that combines concepts of model-based diagnosis with deep graph structure learning. This data-driven approach leverages data to learn the system’s underlying structure and provide dynamic observations, represented by two distinct graph adjacency matrices. Our work facilitates a seamless integration of graph structure learning with model-based diagnosis by making three main contributions: (i) redefining the constructs of system representation, observations, and faults (ii) introducing two distinct versions of a self-supervised graph structure learning model architecture and (iii) demonstrating the potential of our data-driven diagnostic method through experiments on a system of coupled oscillators.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL