論文の概要: A hybrid virtual sensing approach for approximating non-linear dynamic
system behavior using LSTM networks
- arxiv url: http://arxiv.org/abs/2107.03645v1
- Date: Thu, 8 Jul 2021 07:27:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:22:39.062070
- Title: A hybrid virtual sensing approach for approximating non-linear dynamic
system behavior using LSTM networks
- Title（参考訳）: LSTMネットワークを用いた非線形力学系の挙動近似のためのハイブリッド仮想センシング手法
- Authors: Leonhard Heindel, Peter Hantschke and Markus K\"astner
- Abstract要約: 現代のIoTソリューションは、コネクテッドカーやヘルスケアから産業アプリケーションまで、さまざまな領域で使用されている。
仮想センシング技術は、利用可能な測定値から得られたデータを用いて、追加の未知の量の興味を推定することにより、システム内の物理センサの数を減らすことを目的としている。
提案手法は,複数入力チャネルと出力チャネルを持つ非線形力学系の挙動を推定するために,Long Short-Term Memory Networkと周波数応答関数モデルを組み合わせたハイブリッド仮想センシング手法である。
- 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: Modern Internet of Things solutions are used in a variety of different areas,
ranging from connected vehicles and healthcare to industrial applications. They
rely on a large amount of interconnected sensors, which can lead to both
technical and economical challenges. Virtual sensing techniques aim to reduce
the number of physical sensors in a system by using data from available
measurements to estimate additional unknown quantities of interest. Successful
model-based solutions include Kalman filters or the combination of finite
element models and modal analysis, while many data-driven methods rely on
machine learning algorithms. The presented hybrid virtual sensing approach
combines Long Short-Term Memory networks with frequency response function
models in order to estimate the behavior of non-linear dynamic systems with
multiple input and output channels. Network training and prediction make use of
short signal subsequences, which are later recombined by applying a windowing
technique. The frequency response function model acts as a baseline estimate
which perfectly captures linear dynamic systems and is augmented by the
non-linear Long Short-Term Memory network following two different hybrid
modeling strategies. The approach is tested using a non-linear experimental
dataset, which results from measurements of a three-component servo-hydraulic
fatigue test bench. A variety of metrics in time and frequency domains, as well
as fatigue strength under variable amplitudes are used to evaluate the
approximation quality of the proposed method. In addition to virtual sensing,
the algorithm is also applied to a forward prediction task. Synthetic data are
used in a separate study to estimate the prediction quality on datasets of
different size.
- Abstract（参考訳）: 現代のIoTソリューションは、コネクテッドカーやヘルスケアから産業アプリケーションまで、さまざまな分野で使用されている。
それらは大量の相互接続センサーに依存しており、技術的な課題と経済的課題の両方につながる可能性がある。
仮想センシング技術は、利用可能な測定値から得られたデータを用いて、システムの物理的センサーの数を減らすことを目的としている。
成功したモデルベースソリューションには、Kalmanフィルタや有限要素モデルとモーダル解析の組み合わせが含まれるが、多くのデータ駆動手法は機械学習アルゴリズムに依存している。
提案手法は,複数入力チャネルと出力チャネルを持つ非線形力学系の挙動を推定するために,Long Short-Term Memory Networkと周波数応答関数モデルを組み合わせる。
ネットワークトレーニングと予測はショート信号列を使用し、後にウィンドウリング手法を適用して再結合する。
周波数応答関数モデルは線形力学系を完全に捉えたベースライン推定として機能し、2つの異なるハイブリッドモデリング戦略に従って非線形長短期記憶ネットワークによって拡張される。
この手法は3成分のサーボ-油圧疲労試験ベンチの測定から得られる非線形実験データセットを用いて試験される。
提案手法の近似品質を評価するために, 時間領域と周波数領域の様々な測定値と, 可変振幅下での疲労強度を用いた。
仮想センシングに加えて、このアルゴリズムは前方予測タスクにも適用される。
合成データは、異なるサイズのデータセットの予測品質を推定するために別の研究で使用される。
関連論文リスト
- Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Deep Long-Short Term Memory networks: Stability properties and
Experimental validation [0.20999222360659603]
ネットワークの重みに関する適切な条件を利用して、データから実績ある$delta$ISS LSTMモデルを学習できるトレーニング手順を構築することができることを示す。
提案手法は、実ブレーキバイワイヤ装置を用いて、入力出力データからシステムのモデルを特定する。
論文 参考訳（メタデータ） (2023-04-06T10:02:17Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳（メタデータ） (2022-04-06T06:39:40Z) - Data-driven detector signal characterization with constrained bottleneck
autoencoders [0.0]
制約付きボトルネックオートエンコーダという形でのディープラーニングは、データから直接、基盤となる未知の検出器応答モデルを学ぶために使用することができる。
トレーニングされたアルゴリズムは、モデルの物理パラメータを推定し、高い忠実度で検出器応答をシミュレートし、検出器信号をデノネーズするために同時に使用することができる。
論文 参考訳（メタデータ） (2022-03-09T09:46:10Z) - Passive learning to address nonstationarity in virtual flow metering
applications [0.0]
本稿では,定常仮想フローメータの予測精度を維持するために,学習手法の適用方法について検討する。
周期的バッチ学習とオンライン学習という2つの受動的学習法を、様々なキャリブレーション周波数で応用し、仮想フローメーターを訓練する。
第1に、頻繁な到着測定が存在する場合、頻繁なモデル更新は、時間とともに優れた予測性能を保ち、第2に、間欠的かつ頻繁な到着測定が存在する場合、頻繁な更新は、性能の精度を高めるために不可欠である。
論文 参考訳（メタデータ） (2022-02-07T14:42:00Z) - Time-Series Anomaly Detection with Implicit Neural Representation [0.38073142980733]
Inlicit Neural Representation-based Anomaly Detection (INRAD)を提案する。
入力に時間がかかり、その時点で対応する値を出力する単純な多層パーセプトロンを訓練する。
そして,その表現誤りを異常検出のための異常スコアとして利用する。
論文 参考訳（メタデータ） (2022-01-28T06:17:24Z) - Wave-based extreme deep learning based on non-linear time-Floquet
entanglement [0.7614628596146599]
強い非線形性を必要とする複雑なニューロモルフィック・コンピューティング・タスクは、これまで波動ベース・ソリューションのアウト・オブ・リーチに留まってきた。
本稿では,周波数の異なる信号入力間の強い非線形絡み合いを誘発する時間-浮動小数点物理学の関連性を示す。
エクストリームラーニングマシンと貯水池コンピューティングの手法の有効性を実証し,様々な学習課題を解決する。
論文 参考訳（メタデータ） (2021-07-19T00:18:09Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳（メタデータ） (2020-12-04T19:21:37Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳（メタデータ） (2020-06-22T15:07:06Z)
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。