Kernekoncepter
深層学習ベースの異常検知システムに対する、オンラインでの解釈可能な説明層を提案する。異常検知層と説明層からなる2層アーキテクチャを使い、稀な故障事例の原因を説明する。
Resumé
本研究では、予防保守のための深層学習ベースの異常検知システムに対する解釈可能な説明層を提案している。
2層アーキテクチャを採用し、1層目では無監督の深層学習モデルを用いて故障を検知する。2層目では、解釈可能なモデル(本実装ではルール学習)を使って、検知層の出力を説明する。
稀な故障事例に焦点を当てるため、過少サンプリングや過剰サンプリングなどの手法を適用している。
実際の公共交通機関のデータセットを用いた実験では、提案手法が故障の原因を特定し、保守作業に役立つ説明を生成できることを示している。
この手法は、稀な事象の予測が重要な他のドメインにも適用可能である。
Statistik
圧縮機の圧力(TP2)が5.0以下で、油温(MA1_Oil)が0.9以下、油温(MA2_Oil)が-0.1より大きい場合、再構成誤差は1.58となる。
圧縮機の電流(B5_MC)が7.9より大きく、油温(MA1_Oil)が-2.1以下の場合、再構成誤差は2.25となる。
圧縮機の電流(B1_H1)が1.5より大きい場合、再構成誤差は1.5となる。
Citater
"故障検知は予防保守の最も重要な要素の1つである。しかし、予防保守は故障の予測を超えており、故障の影響と副作用を理解することが不可欠である。"
"説明は予防保守において重要な役割を果たし、故障の原因(根本原因分析)、影響を受けるコンポーネント、機器の残存使用可能寿命を特定するのに役立つ。"