論文の概要: Early fault detection with multi-target neural networks
- arxiv url: http://arxiv.org/abs/2106.08957v1
- Date: Sat, 12 Jun 2021 11:35:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:05:26.726753
- Title: Early fault detection with multi-target neural networks
- Title（参考訳）: マルチターゲットニューラルネットワークによる早期故障検出
- Authors: Angela Meyer
- Abstract要約: ドライブトレインコンポーネントの早期故障検出作業にマルチターゲットニューラルネットワークを適用した。
マルチターゲット多層パーセプトロン(MLP)は,少なくとも早期および多くの場合,単一ターゲットよりも早く断層を検出できた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wind power is seeing a strong growth around the world. At the same time,
shrinking profit margins in the energy markets let wind farm managers explore
options for cost reductions in the turbine operation and maintenance.
Sensor-based condition monitoring facilitates remote diagnostics of turbine
subsystems, enabling faster responses when unforeseen maintenance is required.
Condition monitoring with data from the turbines' supervisory control and data
acquisition (SCADA) systems was proposed and SCADA-based fault detection and
diagnosis approaches introduced based on single-task normal operation models of
turbine state variables. As the number of SCADA channels has grown strongly,
thousands of independent single-target models are in place today for monitoring
a single turbine. Multi-target learning was recently proposed to limit the
number of models. This study applied multi-target neural networks to the task
of early fault detection in drive-train components. The accuracy and delay of
detecting gear bearing faults were compared to state-of-the-art single-target
approaches. We found that multi-target multi-layer perceptrons (MLPs) detected
faults at least as early and in many cases earlier than single-target MLPs. The
multi-target MLPs could detect faults up to several days earlier than the
single-target models. This can deliver a significant advantage in the planning
and performance of maintenance work. At the same time, the multi-target MLPs
achieved the same level of prediction stability.
- Abstract（参考訳）: 風力は世界中で強い成長を遂げている。
同時に、エネルギー市場における利益マージンの縮小により、風力発電の経営者はタービンの操業と保守におけるコスト削減の選択肢を探った。
センサベースの状態監視はタービンサブシステムの遠隔診断を容易にし、予期せぬメンテナンスが必要な場合の応答を高速化する。
タービンの監視制御とデータ取得(SCADA)システムからのデータによる条件モニタリングと,タービン状態変数の単一タスク正規演算モデルに基づくSCADAに基づく故障検出と診断手法を提案する。
SCADAチャネルの数が強くなったため、今日では数千の独立した単一ターゲットモデルが単一のタービンを監視するために設置されている。
モデル数を制限するために、最近マルチターゲット学習が提案されている。
本研究では,ドライブトレイン部品の早期故障検出にマルチターゲットニューラルネットワークを適用した。
歯車軸受欠陥検出の精度と遅れを,最先端の単一ターゲットアプローチと比較した。
マルチターゲット多層パーセプトロン(MLP)は,少なくとも早期および多くの場合,単一ターゲットMPPよりも早く断層を検出できた。
マルチターゲットMLPは単一ターゲットモデルよりも数日早く故障を検出することができた。
これにより、メンテナンス作業の計画とパフォーマンスにおいて大きなアドバンテージがもたらされます。
同時に、マルチターゲットMLPは同じレベルの予測安定性を達成した。
関連論文リスト
- Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - End-To-End Self-tuning Self-supervised Time Series Anomaly Detection [32.746688248671084]
時系列異常検出(TSAD)は、環境センサ、産業タイプ、患者バイオマーカーなど、多くの応用を見出す。
TSADの2倍の課題は、様々な種類の時系列異常を検出できる汎用的で教師なしのモデルである。
TSAP for TSA "on autoPilot"を導入します。
論文 参考訳（メタデータ） (2024-04-03T16:57:26Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Generative adversarial wavelet neural operator: Application to fault
detection and isolation of multivariate time series data [3.265784083548797]
本稿では,障害検出と分離のための新しい教師なし深層学習手法として,GAWNO(Generative Adversarial Wavelet Neural operator)を提案する。
最初の段階では、GAWNOは通常の運用条件のデータセットに基づいてトレーニングされ、基礎となるデータ分布を学習する。
第2段階では, 差分値に基づいて故障を検出し, 分離するために, 再構成誤差に基づくしきい値法を用いる。
論文 参考訳（メタデータ） (2024-01-08T16:36:47Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - 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) - Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA
data [0.0]
本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。
本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。
3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
論文 参考訳（メタデータ） (2021-01-20T00:46:52Z) - Multi-target normal behaviour models for wind farm condition monitoring [0.0]
本研究は、風力タービンの正常な挙動を捉えるための新しいアプローチとして、マルチターゲットモデルについて検討する。
マルチターゲットモデルが単一ターゲットモデルと比較して有利であることから,実用条件監視のコストと労力を削減できることが判明した。
論文 参考訳（メタデータ） (2020-12-05T16:46:35Z) - Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power
Output [6.411829871947649]
我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。
風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。
私たちのアプローチは、そのアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-04-02T04:22:22Z) - 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。