論文の概要: An EMD-based Method for the Detection of Power Transformer Faults with a
Hierarchical Ensemble Classifier
- arxiv url: http://arxiv.org/abs/2110.11451v1
- Date: Thu, 21 Oct 2021 19:49:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 03:38:47.239163
- Title: An EMD-based Method for the Detection of Power Transformer Faults with a
Hierarchical Ensemble Classifier
- Title（参考訳）: 階層型アンサンブル分類器を用いた電力変圧器故障検出のためのEMD法
- Authors: Shoaib Meraj Sami and Mohammed Imamul Hassan Bhuiyan
- Abstract要約: 希釈ガス分析(DGA)データから変圧器断層を検出するための経験的モード分解法を提案する。
提案手法は, 変圧器断層の検出において90%以上の感度と精度が得られることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, an Empirical Mode Decomposition-based method is proposed for
the detection of transformer faults from Dissolve gas analysis (DGA) data.
Ratio-based DGA parameters are ranked using their skewness. Optimal sets of
intrinsic mode function coefficients are obtained from the ranked DGA
parameters. A Hierarchical classification scheme employing XGBoost is presented
for classifying the features to identify six different categories of
transformer faults. Performance of the Proposed Method is studied for publicly
available DGA data of 377 transformers. It is shown that the proposed method
can yield more than 90% sensitivity and accuracy in the detection of
transformer faults, a superior performance as compared to conventional methods
as well as several existing machine learning-based techniques.
- Abstract（参考訳）: 本稿では,dga(dissolve gas analysis)データから変圧器故障を検出するための経験的モード分解に基づく手法を提案する。
比率に基づくDGAパラメータはその歪度を用いてランク付けされる。
固有モード関数係数の最適セットは、ランク付けされたdgaパラメータから得られる。
変圧器断層の6つの異なるカテゴリを識別するために,XGBoostを用いた階層分類方式を提案する。
377変圧器の公開DGAデータに対して提案手法の性能を検討した。
提案手法は変圧器故障の検出において90%以上の感度と精度を得ることが可能であり,従来の手法や既存の機械学習技術と比較して優れた性能を示す。
関連論文リスト
- Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。
我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。
適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
論文 参考訳（メタデータ） (2024-06-24T23:00:58Z) - Multi-Class Anomaly Detection based on Regularized Discriminative
Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。
提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文 参考訳（メタデータ） (2023-11-24T14:26:07Z) - Looped Transformers are Better at Learning Learning Algorithms [16.98720552888865]
本稿ではループ変換器アーキテクチャとその学習手法について述べる。
実験結果から, ループ変換器は標準変圧器に匹敵する性能を実現することが示唆された。
論文 参考訳（メタデータ） (2023-11-21T08:32:38Z) - Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。
最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。
Transformerモデルをより効率的にすることに注力している。
論文 参考訳（メタデータ） (2023-02-27T18:18:13Z) - On the rate of convergence of a classifier based on a Transformer
encoder [55.41148606254641]
最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。
この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
論文 参考訳（メタデータ） (2021-11-29T14:58:29Z) - Power Transformer Fault Diagnosis with Intrinsic Time-scale
Decomposition and XGBoost Classifier [0.0]
電力変圧器故障診断のための内在時間分解法(ITD)を提案する。
提案手法は,従来の手法よりも95%以上の精度,高感度,F1スコアを実現している。
論文 参考訳（メタデータ） (2021-10-21T20:36:38Z) - Weight Vector Tuning and Asymptotic Analysis of Binary Linear
Classifiers [82.5915112474988]
本稿では,スカラーによる判別器の分解をパラメータ化することで,ジェネリックバイナリ線形分類器の重みベクトルチューニングを提案する。
また,重みベクトルチューニングは,高推定雑音下での線形判別分析(LDA)の性能を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2021-10-01T17:50:46Z) - An Efficient Epileptic Seizure Detection Technique using Discrete
Wavelet Transform and Machine Learning Classifiers [0.0]
本稿では,離散ウェーブレット変換(DWT)と機械学習分類器を用いたてんかん検出手法を提案する。
DWTは、周波数帯域の異なる信号のより良い分解を提供するため、特徴抽出に使われてきた。
論文 参考訳（メタデータ） (2021-09-26T18:30:04Z) - A novel Time-frequency Transformer and its Application in Fault
Diagnosis of Rolling Bearings [0.24214594180459362]
シーケンス処理における標準変換器の膨大な成功に触発された新しい時間周波数変換器(TFT)モデルを提案する。
本稿では,TFTに基づく新しいエンドツーエンドの故障診断フレームワークについて述べる。
論文 参考訳（メタデータ） (2021-04-19T06:53:31Z) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-04-13T04:17:30Z)
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。