論文の概要: Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator

• arxiv url: http://arxiv.org/abs/2110.12006v1
• Date: Fri, 22 Oct 2021 18:37:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 17:39:30.762817
• Title: Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator
• Title（参考訳）: SNS加速器における異常ビームパルス予測のための不確かさ認識異常検出
• Authors: Willem Blokland, Pradeep Ramuhalli, Charles Peters, Yigit Yucesan, Alexander Zhukov, Malachi Schram, Kishansingh Rajput, and Torri Jeske
• Abstract要約: 本稿では、不確実性を考慮した機械学習手法、シームズニューラルネットワークモデルの適用について述べる。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。
• 参考スコア（独自算出の注目度）: 47.187609203210705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-power particle accelerators are complex machines with thousands of pieces of equipmentthat are frequently running at the cutting edge of technology. In order to improve the day-to-dayoperations and maximize the delivery of the science, new analytical techniques are being exploredfor anomaly detection, classification, and prognostications. As such, we describe the applicationof an uncertainty aware Machine Learning method, the Siamese neural network model, to predictupcoming errant beam pulses using the data from a single monitoring device. By predicting theupcoming failure, we can stop the accelerator before damage occurs. We describe the acceleratoroperation, related Machine Learning research, the prediction performance required to abort beamwhile maintaining operations, the monitoring device and its data, and the Siamese method andits results. These results show that the researched method can be applied to improve acceleratoroperations.
• Abstract（参考訳）: 高出力粒子加速器は、技術の最先端で頻繁に動作する何千もの機器を備えた複雑な機械である。 日々の運用を改善し、科学のデリバリを最大化するために、異常検出、分類、予後予測のための新しい分析技術が研究されている。 そこで本研究では,不確実性を認識した機械学習手法であるシームズニューラルネットワークモデルを用いて,単一監視装置のデータを用いた異常ビームパルスの予測を行う。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。 本稿では,アクセル操作,関連する機械学習研究,動作維持中にビームを中止するために必要な予測性能,監視装置とそのデータ,シアム法とその結果について述べる。 これらの結果から, 加速操作の改善に本手法を応用できることが示唆された。

関連論文リスト

• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Intelligent Optimization and Machine Learning Algorithms for Structural Anomaly Detection using Seismic Signals [0.9285295512807729]
  メカニカルトンネリング中の異常検出方法の欠如は、掘削時間に金銭的損失と損失をもたらす可能性がある。 現場掘削ではトンネル掘削機の損傷を回避し, 伝播速度の調整を行うため, 掘削前に硬い障害物を認識する必要がある。 構造異常検出の効率は、インテリジェントな最適化技術と機械学習によって向上することができる。
  論文  参考訳（メタデータ） (2024-01-18T19:48:53Z)
• Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators [36.157808223320465]
  粒子加速器は様々な理由で故障や停止の可能性がある。 これらの欠陥は、スケジュールされた実行中の粒子加速器の可用性に影響を与え、効率と全体の科学出力を妨げている。 異常検出技術を用いて異常な振る舞いを予測し、プリエンプティブ動作を行い、粒子加速器の総可利用性を向上させる。
  論文  参考訳（メタデータ） (2023-11-22T07:36:16Z)
• Machine Learning for Quantum-Enhanced Gravitational-Wave Observatories [2.7151296467157184]
  我々は、レーザー干渉計重力波観測所の3回目の観測中に、機械学習を用いてスクイーズレベルを予測する。 これらの技術の発展は、重力波検出器における圧縮状態注入の最適化に向けた今後の取り組みの基礎となる。
  論文  参考訳（メタデータ） (2023-05-23T07:47:16Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• Neuroscience-Inspired Algorithms for the Predictive Maintenance of Manufacturing Systems [0.24999074238880484]
  階層型時間記憶(HTM)を用いた予測保守のためのオンラインリアルタイム異常検出手法を提案する。 ヒトの新皮質に触発されて、htmは継続的に学習し、適応し、雑音に頑健である。 このアプローチは平均スコア64.71に達し、最先端のディープラーニング(49.38)と統計的手法(61.06)を上回っている。
  論文  参考訳（メタデータ） (2021-02-23T01:31:09Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。