Fugu-MT 論文翻訳(概要): Explainable Incipient Fault Detection Systems for Photovoltaic Panels

論文の概要: Explainable Incipient Fault Detection Systems for Photovoltaic Panels

arxiv url: http://arxiv.org/abs/2011.09843v1
Date: Thu, 19 Nov 2020 14:26:29 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 20:42:03.822505
Title: Explainable Incipient Fault Detection Systems for Photovoltaic Panels
Title（参考訳）: 太陽光発電パネルの起始故障検出システム
Authors: S. Sairam, Seshadhri Srinivasan, G. Marafioti, B. Subathra, G. Mathisen, and Korkut Bekiroglu
Abstract要約: XFDDSはモデルベースとデータ駆動フレームワークを組み合わせたハイブリッドアプローチである。 PVパネル用モデルベースFDDは、初期断層を検出するための低照射条件下での高忠実度モデルが欠如している。データ駆動型FDDメソッドでは、説明可能性の欠如、サンプルインスタンスの機能変数、偽アラームなどが問題となる。
参考スコア（独自算出の注目度）: 0.057725463942541105
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents an eXplainable Fault Detection and Diagnosis System (XFDDS) for incipient faults in PV panels. The XFDDS is a hybrid approach that combines the model-based and data-driven framework. Model-based FDD for PV panels lacks high fidelity models at low irradiance conditions for detecting incipient faults. To overcome this, a novel irradiance based three diode model (IB3DM) is proposed. It is a nine parameter model that provides higher accuracy even at low irradiance conditions, an important aspect for detecting incipient faults from noise. To exploit PV data, extreme gradient boosting (XGBoost) is used due to its ability to detecting incipient faults. Lack of explainability, feature variability for sample instances, and false alarms are challenges with data-driven FDD methods. These shortcomings are overcome by hybridization of XGBoost and IB3DM, and using eXplainable Artificial Intelligence (XAI) techniques. To combine the XGBoost and IB3DM, a fault-signature metric is proposed that helps reducing false alarms and also trigger an explanation on detecting incipient faults. To provide explainability, an eXplainable Artificial Intelligence (XAI) application is developed. It uses the local interpretable model-agnostic explanations (LIME) framework and provides explanations on classifier outputs for data instances. These explanations help field engineers/technicians for performing troubleshooting and maintenance operations. The proposed XFDDS is illustrated using experiments on different PV technologies and our results demonstrate the perceived benefits.
Abstract（参考訳）: 本稿では, PVパネルの異常発生に対するeXplainable Fault Detection and Diagnosis System (XFDDS)を提案する。 XFDDSはモデルベースとデータ駆動フレームワークを組み合わせたハイブリッドアプローチである。 PVパネル用モデルベースFDDには、初期断層を検出するための低照射条件下での高忠実度モデルがない。これを解決するために、新しい照射ベースの3ダイオードモデル(IB3DM)を提案する。低照度条件でも高い精度が得られる9つのパラメータモデルであり、ノイズから初期断層を検出する重要な側面である。 PVデータを利用するには、起始断層を検出する能力のため、極端な勾配上昇(XGBoost)を用いる。説明可能性の欠如、サンプルインスタンスの機能変動、偽アラームはデータ駆動型fddメソッドの課題である。これらの欠点は、XGBoostとIB3DMのハイブリッド化と、eXplainable Artificial Intelligence (XAI)技術の使用によって克服されている。 XGBoost と IB3DM を組み合わせるために,誤報を低減し,初期故障を検出するための説明をトリガーする故障信号計測法が提案されている。説明可能性を得るために、eXplainable Artificial Intelligence (XAI)アプリケーションを開発した。ローカル解釈可能なモデル非依存説明(lime)フレームワークを使用し、データインスタンスの分類子出力の説明を提供する。これらの説明は、現場エンジニアや技術者がトラブルシューティングやメンテナンスを行うのに役立つ。提案するXFDDSは、異なるPV技術を用いた実験により、その利点を実証した。

関連論文リスト

Fault Detection and Monitoring using an Information-Driven Strategy: Method, Theory, and Application [5.056456697289351]
本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。提案したMIに基づく故障検出手法の理論的特性を実証する。
論文参考訳（メタデータ） (2024-05-06T17:43:39Z)
DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文参考訳（メタデータ） (2024-03-20T04:58:03Z)
Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文参考訳（メタデータ） (2023-12-18T09:52:14Z)
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)
Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文参考訳（メタデータ） (2023-08-06T05:58:45Z)
Non-contact Sensing for Anomaly Detection in Wind Turbine Blades: A focus-SVDD with Complex-Valued Auto-Encoder Approach [2.967390112155113]
我々は、FMCWレーダを非破壊検知モードとして利用する製造の品質保証を強化する。焦点支援ベクトルデータ記述(focus-SVDD)と呼ばれる新しい異常検出手法を提案する。提案手法の有効性は, 収集データへの適用を通して実証する。
論文参考訳（メタデータ） (2023-06-19T09:54:34Z)
Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model [0.0]
本稿では,RPMとフライトデータを用いて,故障プロペラの同定と,故障レベルの分類に焦点をあてる。オフライントレーニングデータ生成を実現するために,仮想データ生成モデルの開発にハイブリッドアプローチを提案する。その結果, 実験により, プロペラ断層の位置と損傷の程度, タイプを同定できることがわかった。
論文参考訳（メタデータ） (2023-02-03T05:28:02Z)
Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-09T01:09:59Z)
On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文参考訳（メタデータ） (2021-10-17T13:42:37Z)
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)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。