論文の概要: CASU2Net: Cascaded Unification Network by a Two-step Early Fusion for Fault Detection in Offshore Wind Turbines

• arxiv url: http://arxiv.org/abs/2011.12130v3
• Date: Thu, 26 Aug 2021 15:24:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 14:30:54.893303
• Title: CASU2Net: Cascaded Unification Network by a Two-step Early Fusion for Fault Detection in Offshore Wind Turbines
• Title（参考訳）: casu2net:2段階早期融合による洋上風力発電機の故障検出のためのカスケード統一ネットワーク
• Authors: Soorena Salari and Nasser Sadati
• Abstract要約: 本稿では, 沖合風力タービンの故障検出のための, 核融合型深層学習モデル(CASU2Net)を提案する。 我々は5つのセンサとスライディングウインドウを用いて、センサから得られた生の時系列データに含まれる固有時間情報を利用する。 提案モデルでは,複数のセンサ変数間の非線形関係と,各センサの時間的依存性を利用して,故障検出モデルの性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel feature fusion-based deep learning model (called CASU2Net) for fault detection in offshore wind turbines. The proposed CASU2Net model benefits of a two-step early fusion to enrich features in the final stage. Moreover, since previous studies did not consider uncertainty while model developing and also predictions, we take advantage of Monte Carlo dropout (MC dropout) to enhance the certainty of the results. To design fault detection model, we use five sensors and a sliding window to exploit the inherent temporal information contained in the raw time-series data obtained from sensors. The proposed model uses the nonlinear relationships among multiple sensor variables and the temporal dependency of each sensor on others which considerably increases the performance of fault detection model. A 10-fold cross-validation approach is used to verify the generalization of the model and evaluate the classification metrics. To evaluate the performance of the model, simulated data from a benchmark floating offshore wind turbine (FOWT) with supervisory control and data acquisition (SCADA) are used. The results illustrate that the proposed model would accurately disclose and classify more than 99% of the faults. Moreover, it is generalizable and can be used to detect faults for different types of systems.
• Abstract（参考訳）: 本稿では,沖合風力タービンの故障検出のための,融合型深層学習モデル(CASU2Net)を提案する。 提案されたCASU2Netモデルは、2段階の早期融合による最終段階の機能強化による利点がある。 さらに, モデル開発中の不確実性を考慮せず, 予測も行っていたため, モンテカルロドロップアウト(mcドロップアウト)を活用し, 結果の確実性を高めた。 故障検出モデルの設計には,5つのセンサとスライディングウインドウを用いて,センサから得られた生時系列データに含まれる固有時間情報を利用する。 提案手法では,複数のセンサ変数間の非線形関係と,各センサの時間依存性を利用して故障検出モデルの性能を大幅に向上させる。 10倍のクロスバリデーション手法を用いて、モデルの一般化を検証し、分類指標を評価する。 モデルの性能を評価するために, 監視制御とデータ取得(SCADA)を備えたベンチマーク式浮揚型風力タービン(FOWT)のシミュレーションデータを用いた。 その結果,提案モデルでは99%以上の欠陥を正確に把握し,分類することがわかった。 さらに、一般化可能であり、異なるタイプのシステムに対する障害を検出するために使用できる。

関連論文リスト

• Spurious Correlations in Concept Drift: Can Explanatory Interaction Help? [10.88079531894407]
  概念ドリフト(CD)検出のための新しい検出器であるebc-exstreamを導入する。 エントロピーベースのフィードバックを活用して、アノテーションのコストを削減する。 人工的に構築されたデータに関する予備実験は、ebc-exstreamの約束を強調している。
  論文  参考訳（メタデータ） (2024-07-23T14:30:53Z)
• 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)
• 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)
• Watermarking for Out-of-distribution Detection [76.20630986010114]
  Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。 本稿では,透かしという一般的な手法を提案する。 我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
  論文  参考訳（メタデータ） (2022-10-27T06:12:32Z)
• Forecasting Sensor Values in Waste-To-Fuel Plants: a Case Study [0.47248250311484113]
  廃棄物燃料プラントの将来のセンサ読み取りを予測するための機械学習モデルを開発した。 モデルは過去のデータを用いて訓練され、特定のタイミングで計測されたセンサーの読み取りに基づいて予測が行われた。 私たちはカナダの廃燃料工場で実世界のユースケースでモデルをテストしました。
  論文  参考訳（メタデータ） (2022-09-28T09:40:58Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• 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)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• 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)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。