Reconstruction error‐based fault detection of time series process data using generative adversarial auto‐encoders
Notice bibliographique
Résumé
Abstract Faults in time series process data are typically difficult to detect due to the complex temporal correlations of data samples. In this context, traditional unsupervised machine learning algorithms, such as principal component analysis, independent component analysis, and so forth, would yield only limited performance. Deep learning‐based methods have been employed in recent years to address these problems. Recently, generative adversarial networks have emerged as a promising generative modelling approach for learning data distributions. Inspired by the above, in this study, we present a novel reconstruction error‐based fault detection method for time series process data using generative adversarial auto‐encoder (GAAE) with Wasserstein loss, cycle consistency loss, and gradient penalty methods. The proposed method is designed to detect abnormal patterns in the time series data by training a GAAE to learn the underlying normal behaviour of the data. GAAEs help in effectively capturing the data's hidden distribution, and Wasserstein loss with gradient penalty is used to improve the accuracy of the latent space representation of the data, while the cycle consistency loss ensures consistency between the input and output data during the reconstruction process. Based on the extent of the reconstruction error metric of the GAAEs, we identify the potential faults in the process data stream. The proposed method is evaluated on two data process sets, namely, the Tennessee Eastman benchmark process dataset and the nuclear power flux real‐time dataset from a pressurized heavy water nuclear reactor, to validate the efficacy of the proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».