プロセス故障分類のための双方向性深層リカレントニューラルネットワーク

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

ISA Trans.2020 Jul;S0019-0578(20)30284-6. doi: 10.1016/j.isatra.2020.07.011.Epub 2020-07-13.

プロセス故障分類のための双方向性深層リカレントニューラルネットワーク

Bidirectional deep recurrent neural networks for process fault classification.

Gavneet Singh Chadha
Ambarish Panambilly
Andreas Schwung
Steven X Ding

PMID: 32684422 DOI: 10.1016/j.isatra.2020.07.011.

抄録

本研究では、双方向リカレントニューラルネットワークに基づく時系列ベースの状態監視と故障診断のための新しいアプローチを提示する。双方向リカレントニューラルネットワークの応用は、本質的に故障診断タスクに視点の変更を提供し、より長い時間軸での故障関係の処理を可能にし、重要なプロセスの故障を回避し、システムの全体的な生産性を向上させることを可能にする。この機能をさらに強化するために、我々は、データの前処理と再構築の新しい手順を提案する。これは、一般化とより効率的なデータ利用を強制し、その結果、特に逐次的な故障分類タスクに対して、より効率的なネットワーク学習をもたらす。提案した双方向長短期記憶ネットワークは、バニラ・リカレント・ニューラル・ネットワーク、長短期記憶、ゲーテッド・リカレント・ユニットなどの標準的なリカレント・アーキテクチャよりも優れている。提案アプローチをテネシー・イーストマン・ベンチマーク・プロセスに適用し、前述のディープ・アーキテクチャの有効性をテストし、詳細な比較分析を行う。バイナリおよびマルチクラス分類の実験結果は、他のアーキテクチャおよび文献に見られる他の最先端アーキテクチャの結果と比較して、双方向性ロングショートタームメモリネットワークの平均故障検出能力が優れていることを示している。

In this study, a new approach for time series based condition monitoring and fault diagnosis based on bidirectional recurrent neural networks is presented. The application of bidirectional recurrent neural networks essentially provide a viewpoint change on the fault diagnosis task, which allows to handle fault relations over longer time horizons helping in avoiding critical process breakdowns and increasing the overall productivity of the system. To further enhance the capability, we propose a novel procedure of data preprocessing and restructuring which enforces the generalization and a more efficient data utilization and consequently yields more efficient network training, especially for sequential fault classification task. The proposed Bidirectional Long Short Term Memory network outperforms standard recurrent architectures including vanilla recurrent neural networks, Long Short Term Memories and Gated Recurrent Units. We apply the proposed approach to the Tennessee Eastman benchmark process to test the effectiveness of the mentioned deep architectures and provide a detailed comparative analysis. The experimental results for binary as well as multi-class classification show the superior average fault detection capability of the bidirectional Long Short Term Memory Networks compared to the other architectures and to results from other state-of-the-art architectures found in the literature.