LaplaceDiag از تغییر اثر عملگرها برای یافتن قطعات معیوب کمک می‌گیرد

تشخیص قطعهٔ معیوب از روی ناهنجاری حسگرها دشوار است: اثر خرابی ممکن است در سامانه گسترش پیدا کند و خرابی‌های متفاوت نیز مشاهدات مشابهی بسازند. در پیش‌چاپی در arXiv، پژوهشگران روشی داده‌محور به نام LaplaceDiag معرفی کرده‌اند که تغییر اثر عملگرها را برای محدودکردن جست‌وجوی تجهیزات معیوب بررسی می‌کند. از آنجا که هر عملگر روی دستگاه‌ها و سازوکارهای مشخصی اثر می‌گذارد، تغییر این اثرها می‌تواند سرنخی دربارهٔ منشأ مشکل باشد.

LaplaceDiag ابتدا با LaplaceNet، شبکه‌ای عصبی که در فضای لاپلاس کار می‌کند، مدلی از سامانهٔ سالم می‌آموزد. این شبکه پیش‌بینی غیرخطی مبتنی بر تاریخچهٔ اندازه‌گیری‌ها را از یک ماتریس صریح جدا می‌کند؛ ماتریسی که رابطهٔ مقادیر عملگرها با مقادیر حسگرها را توصیف می‌کند. چکیدهٔ در دسترس جزئیات بیشتری از ارزیابی روش ارائه نمی‌دهد.