論文の概要: Transfer Learning for HVAC System Fault Detection

• arxiv url: http://arxiv.org/abs/2002.01060v1
• Date: Tue, 4 Feb 2020 00:06:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 02:33:11.895807
• Title: Transfer Learning for HVAC System Fault Detection
• Title（参考訳）: HVACシステム故障検出のための伝達学習
• Authors: Chase P. Dowling and Baosen Zhang
• Abstract要約: HVACシステムの故障は、建物の熱的快適性とエネルギー効率を低下させる。 HVACシステムへの機械学習の適用を遅くしている。 本稿では,正規動作と故障動作の区別を目的とした新しいベイズ分類器の転送手法を提案する。
• 参考スコア（独自算出の注目度）: 5.634825161148484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Faults in HVAC systems degrade thermal comfort and energy efficiency in buildings and have received significant attention from the research community, with data driven methods gaining in popularity. Yet the lack of labeled data, such as normal versus faulty operational status, has slowed the application of machine learning to HVAC systems. In addition, for any particular building, there may be an insufficient number of observed faults over a reasonable amount of time for training. To overcome these challenges, we present a transfer methodology for a novel Bayesian classifier designed to distinguish between normal operations and faulty operations. The key is to train this classifier on a building with a large amount of sensor and fault data (for example, via simulation or standard test data) then transfer the classifier to a new building using a small amount of normal operations data from the new building. We demonstrate a proof-of-concept for transferring a classifier between architecturally similar buildings in different climates and show few samples are required to maintain classification precision and recall.
• Abstract（参考訳）: 空調システムの故障は建物の熱的快適性とエネルギー効率を低下させ、研究コミュニティから大きな注目を集め、データ駆動方式が人気を集めている。 しかし、通常の運用状態と故障状態のようなラベル付きデータの欠如は、HVACシステムへの機械学習の適用を遅らせている。 加えて、特定の建物では、適切な時間をかけて訓練を行うには、観測された欠陥の数が不十分な場合もあります。 これらの課題を克服するために,通常の操作と故障操作を区別する新しいベイズ分類器の転送手法を提案する。 鍵となるのは、この分類器を大量のセンサーと故障データ(例えばシミュレーションや標準テストデータ)で建物で訓練し、その分類器を新しい建物から少量の通常の操作データを使って新しい建物に転送することである。 異なる気候における建築的類似の建物間で分類器を転送するための概念実証を行い,分類精度とリコールの維持に必要なサンプルは少ないことを示した。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• A Federated Learning Approach to Anomaly Detection in Smart Buildings [5.177947445379688]
  マルチタスク学習パラダイムを活用することにより,連合学習環境における異常検出問題を定式化する。 本稿では,LSTMモデルを用いた新しいプライバシ・バイ・デザイン・フェデレーション学習モデルを提案する。 集中型LSTMに比べてトレーニング収束時の2倍以上の速さであることが実証された。
  論文  参考訳（メタデータ） (2020-10-20T14:06:00Z)
• Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform [0.0]
  多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。 SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。 本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
  論文  参考訳（メタデータ） (2020-08-31T01:11:04Z)
• Unsupervised Transfer Learning for Anomaly Detection: Application to Complementary Operating Condition Transfer [1.5990720051907859]
  異常検知器は、健康な運転条件データに基づいて訓練され、測定されたサンプルがトレーニングデータ分布から逸脱したときに警報を発する。 この問題の解決策は、異なるユニット間で補完データを転送するunsupervised transfer learning (UTL)を実行することである。 提案するフレームワークは,より堅牢な異常検出装置を訓練するための,非教師なしの方法で,異なるユニット間で補完的な動作条件を伝達するように設計されている。
  論文  参考訳（メタデータ） (2020-08-18T09:23:39Z)
• A Machine Learning Approach to Online Fault Classification in HPC Systems [4.642153471124352]
  機械学習に基づくHPCシステムの故障分類手法を提案する。 当社のアプローチの斬新さは、ストリーミングされたデータをオンラインで操作できるという事実に起因しています。 我々はFINJと呼ばれる高レベルかつ使いやすい断層注入ツールを導入し、複雑な実験の管理に重点を置いている。
  論文  参考訳（メタデータ） (2020-07-27T15:36:56Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。