論文の概要: Self-Supervised Encoder for Fault Prediction in Electrochemical Cells
- arxiv url: http://arxiv.org/abs/2007.13492v1
- Date: Fri, 5 Jun 2020 21:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 02:24:34.119284
- Title: Self-Supervised Encoder for Fault Prediction in Electrochemical Cells
- Title（参考訳）: 電気化学電池の故障予測のための自己監督エンコーダ
- Authors: Daniel Buades Marcos, Soumaya Yacout, Said Berriah
- Abstract要約: 発生前に障害を予知することは、潜在的な安全性の危険を避けるのに役立つ。
本稿では、電気化学細胞に焦点をあてる。
本稿では,エンコーダ-デコーダアーキテクチャに基づくニューラルネットワークモデルを提案する。
- 参考スコア（独自算出の注目度）: 1.3342402609717874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting faults before they occur helps to avoid potential safety hazards.
Furthermore, planning the required maintenance actions in advance reduces
operation costs. In this article, the focus is on electrochemical cells. In
order to predict a cell's fault, the typical approach is to estimate the
expected voltage that a healthy cell would present and compare it with the
cell's measured voltage in real-time. This approach is possible because, when a
fault is about to happen, the cell's measured voltage differs from the one
expected for the same operating conditions. However, estimating the expected
voltage is challenging, as the voltage of a healthy cell is also affected by
its degradation -- an unknown parameter. Expert-defined parametric models are
currently used for this estimation task. Instead, we propose the use of a
neural network model based on an encoder-decoder architecture. The network
receives the operating conditions as input. The encoder's task is to find a
faithful representation of the cell's degradation and to pass it to the
decoder, which in turn predicts the expected cell's voltage. As no labeled
degradation data is given to the network, we consider our approach to be a
self-supervised encoder. Results show that we were able to predict the voltage
of multiple cells while diminishing the prediction error that was obtained by
the parametric models by 53%. This improvement enabled our network to predict a
fault 31 hours before it happened, a 64% increase in reaction time compared to
the parametric model. Moreover, the output of the encoder can be plotted,
adding interpretability to the neural network model.
- Abstract（参考訳）: 発生前に障害を予測することは、潜在的な安全性の危険を避けるのに役立つ。
さらに、必要な保守作業の事前計画により、運用コストが削減される。
本稿では、電気化学細胞に焦点を当てる。
セルの故障を予測するために、典型的な方法は、健全なセルが有する期待電圧を推定し、リアルタイムに測定した電圧と比較することである。
このアプローチは、障害が発生した場合、セルの測定電圧が同じ動作条件で期待される電圧と異なるため可能である。
しかし、健康な細胞の電圧もその劣化(未知のパラメータ)の影響を受けているため、予想される電圧の推定は困難である。
専門家定義パラメトリックモデルは、現在この推定作業に使われている。
代わりに,エンコーダ-デコーダアーキテクチャに基づくニューラルネットワークモデルの利用を提案する。
ネットワークは、動作条件を入力として受信する。
エンコーダのタスクは、セルの劣化の忠実な表現を見つけ、それをデコーダに渡すことである。
ラベル付き劣化データはネットワークに渡されないので,本手法は自己教師付きエンコーダであると考えられる。
その結果,パラメトリックモデルにより得られた予測誤差を53%低減しながら,複数のセルの電圧を予測することができた。
この改良により、ネットワークが31時間前に故障を予測できるようになり、パラメトリックモデルと比較して64%の反応時間が増加した。
さらに、エンコーダの出力をプロットし、ニューラルネットワークモデルに解釈可能性を追加することができる。
関連論文リスト
- Fault Analysis And Predictive Maintenance Of Induction Motor Using Machine Learning [0.0]
本稿では,誘導電動機故障の故障検出と分類のための機械学習モデルを提案する。
本研究の目的は、重要な電気成分を保護し、早期発見と診断による異常事象の進行を防止することである。
0.33HP誘導電動機のリアルタイムデータは、ニューラルネットワークのトレーニングとテストに使用される。
論文 参考訳（メタデータ） (2024-09-16T02:37:07Z) - NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural
Network Inference in Low-Voltage Regimes [52.51014498593644]
ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は依然として注目すべき問題である。
我々は、低電圧状態における精度とエネルギーのトレードオフに対処する新しいアドオンモジュールであるNeuralFuseを紹介する。
1%のビットエラー率で、NeuralFuseはメモリアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
論文 参考訳（メタデータ） (2023-06-29T11:38:22Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Inferring electrochemical performance and parameters of Li-ion batteries
based on deep operator networks [1.8369974607582584]
Liイオン電池は複雑な物理化学システムであり、一般に入力電圧として印加電流、出力電圧として端子電圧を用いる。
我々は、基礎となる物理を制約として組み込んで、バッテリシステムのためのデータ駆動サロゲートを構築することを提案する。
論文 参考訳（メタデータ） (2022-05-06T23:55:48Z) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳（メタデータ） (2022-03-17T12:52:23Z) - A heteroencoder architecture for prediction of failure locations in
porous metals using variational inference [1.2722697496405462]
多孔質金属張力試験片の故障箇所を予測するために,エンコーダ・デコーダ畳み込みニューラルネットワークを用いた。
故障箇所の予測の目的は、標本中のほとんどの材料が故障しないため、クラス不均衡の極端なケースを示す。
得られた予測分散は、任意の標本において最も失敗する可能性のある位置のランク付けに有効であることを示す。
論文 参考訳（メタデータ） (2022-01-31T20:26:53Z) - Comparing seven methods for state-of-health time series prediction for
the lithium-ion battery packs of forklifts [1.1470070927586016]
本報告では, 健康状態の予測において, 緩やかな回帰を推し進める能力について述べる。
われわれは45個のリチウムイオン電池パックのユニークなデータセットを所有しており、データに大きなバリエーションがある。
論文 参考訳（メタデータ） (2021-07-06T10:52:56Z) - Towards self-organized control: Using neural cellular automata to
robustly control a cart-pole agent [62.997667081978825]
我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。
我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
論文 参考訳（メタデータ） (2021-06-29T10:49:42Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳（メタデータ） (2021-02-11T18:59:11Z) - Probing Model Signal-Awareness via Prediction-Preserving Input
Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。
SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。
その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文 参考訳（メタデータ） (2020-11-25T20:05:23Z) - Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。
アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。
本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
論文 参考訳（メタデータ） (2020-10-02T15:21:37Z)
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。