論文の概要: Modeling Electrical Motor Dynamics using Encoder-Decoder with Recurrent Skip Connection

• arxiv url: http://arxiv.org/abs/2010.05771v1
• Date: Thu, 8 Oct 2020 15:10:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 12:42:01.063169
• Title: Modeling Electrical Motor Dynamics using Encoder-Decoder with Recurrent Skip Connection
• Title（参考訳）: 繰り返しスキップ接続を用いたエンコーダデコーダを用いたモータダイナミクスのモデル化
• Authors: Sagar Verma, Nicolas Henwood, Marc Castella, Francois Malrait, Jean-Christophe Pesquet
• Abstract要約: データ駆動型アプローチによる電動機の動力学モデリングの実現可能性について検討する。 繰り返しスキップ接続の利点を生かした新しいエンコーダデコーダアーキテクチャを提案する。 本稿では,信号複雑性が時間的ダイナミクスをモデル化する手法に与える影響を示す。
• 参考スコア（独自算出の注目度）: 26.49151897094165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrical motors are the most important source of mechanical energy in the industrial world. Their modeling traditionally relies on a physics-based approach, which aims at taking their complex internal dynamics into account. In this paper, we explore the feasibility of modeling the dynamics of an electrical motor by following a data-driven approach, which uses only its inputs and outputs and does not make any assumption on its internal behaviour. We propose a novel encoder-decoder architecture which benefits from recurrent skip connections. We also propose a novel loss function that takes into account the complexity of electrical motor quantities and helps in avoiding model bias. We show that the proposed architecture can achieve a good learning performance on our high-frequency high-variance datasets. Two datasets are considered: the first one is generated using a simulator based on the physics of an induction motor and the second one is recorded from an industrial electrical motor. We benchmark our solution using variants of traditional neural networks like feedforward, convolutional, and recurrent networks. We evaluate various design choices of our architecture and compare it to the baselines. We show the domain adaptation capability of our model to learn dynamics just from simulated data by testing it on the raw sensor data. We finally show the effect of signal complexity on the proposed method ability to model temporal dynamics.
• Abstract（参考訳）: 電気モーターは産業界で最も重要な機械エネルギー源である。 彼らのモデリングは伝統的に物理学に基づくアプローチに依存しており、複雑な内部力学を考慮に入れている。 本稿では、入力と出力のみを使用し、内部動作を前提にしないデータ駆動型アプローチにより、電気モータのダイナミクスをモデル化する可能性について検討する。 繰り返しスキップ接続の利点を生かした新しいエンコーダデコーダアーキテクチャを提案する。 また,電気モータ量の複雑さを考慮し,モデルバイアスを回避する新しい損失関数を提案する。 提案アーキテクチャは,我々の高周波高分散データセット上で優れた学習性能が得られることを示す。 2つのデータセットが考慮され、第1のデータセットは誘導電動機の物理に基づいてシミュレータを用いて生成され、第2のデータセットは産業用電気電動機から記録される。 私たちは、feedforward、convolutional、recurrent networkといった従来のニューラルネットワークの変種を使って、ソリューションをベンチマークします。 アーキテクチャのさまざまな設計選択を評価し、ベースラインと比較します。 本研究では,モデルが生のセンサデータでテストすることにより,シミュレーションデータからのみダイナミクスを学習できる領域適応能力を示す。 最後に,信号の複雑性が時間ダイナミクスをモデル化する手法に与える影響を示す。

関連論文リスト

• Physics-integrated generative modeling using attentive planar normalizing flow based variational autoencoder [0.0]
  本研究の目的は,物理統合生成モデルにおける再構成の忠実さとノイズの改善である。 モデルに注入されたノイズに対する生成モデルのロバスト性を改善するため,正規化フローベースVAEのエンコーダ部分の変更を提案する。
  論文  参考訳（メタデータ） (2024-04-18T15:38:14Z)
• Learning-based adaption of robotic friction models [48.453527255659296]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• CoDBench: A Critical Evaluation of Data-driven Models for Continuous Dynamical Systems [8.410938527671341]
  微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。 具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。 我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-02T21:27:54Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [3.900623554490941]
  我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。 MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• Statistical and machine learning approaches for prediction of long-time excitation energy transfer dynamics [0.0]
  ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。 以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T16:50:26Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Neural ODE and DAE Modules for Power System Dynamic Modeling [2.342020413587919]
  実用的なパワーシステムでは、動的コンポーネントモデリングはモデル決定とモデルキャリブレーションの課題に長年直面してきた。 本稿では, ニューラル常微分方程式 (ODE) の一般的な枠組みに基づいて, 電力系統動的成分モデリングのためのニューラル常微分方程式 (ODE) モジュールとニューラル微分代数方程式 (DAE) モジュールを提案する。 モジュールはオートエンコーダを採用し、状態変数の次元を高め、人工知能ニューラルネットワーク(ANN)でコンポーネントのダイナミクスをモデル化し、数値積分構造を維持する。
  論文  参考訳（メタデータ） (2021-10-25T14:15:45Z)
• Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference [68.8204255655161]
  本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。 我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
  論文  参考訳（メタデータ） (2021-04-19T09:41:31Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。