論文の概要: Labelling Drifts in a Fault Detection System for Wind Turbine
Maintenance
- arxiv url: http://arxiv.org/abs/2106.09951v1
- Date: Fri, 18 Jun 2021 07:14:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:10:50.776958
- Title: Labelling Drifts in a Fault Detection System for Wind Turbine
Maintenance
- Title（参考訳）: 風力発電設備の故障検知システムにおけるラベリングドリフト
- Authors: I\~nigo Martinez and Elisabeth Viles and I\~naki Cabrejas
- Abstract要約: 産業資産が運営する動的環境における非定常性は概念ドリフト(concept drift)として知られる。
本稿では, 風力タービンのメンテナンスケースについて述べる。
風力タービンの寿命におけるドリフト現象のラベル付け手法を提案する。
- 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: A failure detection system is the first step towards predictive maintenance
strategies. A popular data-driven method to detect incipient failures and
anomalies is the training of normal behaviour models by applying a machine
learning technique like feed-forward neural networks (FFNN) or extreme learning
machines (ELM). However, the performance of any of these modelling techniques
can be deteriorated by the unexpected rise of non-stationarities in the dynamic
environment in which industrial assets operate. This unpredictable statistical
change in the measured variable is known as concept drift. In this article a
wind turbine maintenance case is presented, where non-stationarities of various
kinds can happen unexpectedly. Such concept drift events are desired to be
detected by means of statistical detectors and window-based approaches.
However, in real complex systems, concept drifts are not as clear and evident
as in artificially generated datasets. In order to evaluate the effectiveness
of current drift detectors and also to design an appropriate novel technique
for this specific industrial application, it is essential to dispose beforehand
of a characterization of the existent drifts. Under the lack of information in
this regard, a methodology for labelling concept drift events in the lifetime
of wind turbines is proposed. This methodology will facilitate the creation of
a drift database that will serve both as a training ground for concept drift
detectors and as a valuable information to enhance the knowledge about
maintenance of complex systems.
- Abstract（参考訳）: 故障検知システムは、予測保守戦略への第一歩である。
初期障害や異常を検出する一般的なデータ駆動手法は、フィードフォワードニューラルネットワーク(FFNN)や極端な学習マシン(ELM)といった機械学習技術を適用することで、通常の行動モデルのトレーニングである。
しかし,これらのモデリング手法の性能は,産業資産の運用する動的環境における非定常性の予期せぬ上昇によって低下する可能性がある。
この測定変数の予測不可能な統計的変化は概念ドリフトとして知られている。
本稿では,風力タービンのメンテナンスケースについて紹介する。
このようなコンセプトドリフトイベントは、統計検出器とウィンドウベースのアプローチによって検出されることが望まれる。
しかし、実際の複雑なシステムでは、概念ドリフトは人工的に生成されたデータセットほど明確で明らかではない。
現在のドリフト検出器の有効性を評価し、また、この特定産業用途に適切な新技術を設計するためには、既存のドリフトの特性を事前に検討する必要がある。
この点に関して情報の欠如により,風力タービンの寿命におけるドリフト現象をラベル付けする手法が提案されている。
この方法論は、概念ドリフト検出器の訓練場としても、複雑なシステムのメンテナンスに関する知識を強化する貴重な情報としても機能するドリフトデータベースの作成を促進する。
関連論文リスト
- Non-Stationary Learning of Neural Networks with Automatic Soft Parameter Reset [98.52916361979503]
非定常性を自動的にモデル化し適応する新しい学習手法を導入する。
非定常的・非政治的強化学習環境において,本手法が有効であることを示す。
論文 参考訳（メタデータ） (2024-11-06T16:32:40Z) - Fault detection in propulsion motors in the presence of concept drift [0.0]
機械学習と統計的手法は、海洋システムにおける監視と故障予測を強化するために使用できる。
概念ドリフトと呼ばれる基盤システムの予期せぬ変化は、これらの手法の性能に影響を及ぼす可能性がある。
本研究では, コンセプトドリフト時の運転を成功させる水力推進電動機の固定子巻線における過熱検出手法を提案する。
論文 参考訳（メタデータ） (2024-06-12T09:31:03Z) - A Neighbor-Searching Discrepancy-based Drift Detection Scheme for Learning Evolving Data [40.00357483768265]
本研究では,Nighbor-Searching Discrepancyに基づく新しい概念ドリフト検出手法を提案する。
提案手法は,仮想ドリフトを無視しながら,実概念ドリフトを高精度に検出することができる。
また、ある階級の侵略や撤退を特定することで、分類境界の変化の方向を示すこともできる。
論文 参考訳（メタデータ） (2024-05-23T04:03:36Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Are Concept Drift Detectors Reliable Alarming Systems? -- A Comparative
Study [6.7961908135481615]
コンセプトドリフト(concept drift)またはコンセプトドリフト(concept drift)は、機械学習モデルのパフォーマンスに影響を与える。
本研究では, ドリフト検出装置の信頼性を評価し, 時間内ドリフトの同定を行う。
本研究の目的は,ドリフト検出器がどの状況で使用されるべきかを,実践者が理解できるようにすることである。
論文 参考訳（メタデータ） (2022-11-23T16:31:15Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - 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) - Autoregressive based Drift Detection Method [0.0]
我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。
以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-03-09T14:36:16Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。
入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。
UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-05T08:56:36Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳（メタデータ） (2020-11-03T01:46:35Z)
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。