論文の概要: Anomaly Detection of Wind Turbine Time Series using Variational Recurrent Autoencoders

• arxiv url: http://arxiv.org/abs/2112.02468v1
• Date: Sun, 5 Dec 2021 03:41:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 10:42:08.074139
• Title: Anomaly Detection of Wind Turbine Time Series using Variational Recurrent Autoencoders
• Title（参考訳）: 変動リカレントオートエンコーダを用いた風車時系列の異常検出
• Authors: Alan Preciado-Grijalva, Victor Rodrigo Iza-Teran
• Abstract要約: 風力タービンのブレードの氷の蓄積は、異常な回転や回転を全く記述しない原因となる。 提案手法は,まず,変化型リカレントオートエンコーダ(VRAE)を用いて時系列の低次元表現を学習し,次に,教師なしクラスタリングアルゴリズムを用いて,学習した表現を正規(氷の蓄積なし)あるいは異常(氷の蓄積なし)として分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ice accumulation in the blades of wind turbines can cause them to describe anomalous rotations or no rotations at all, thus affecting the generation of electricity and power output. In this work, we investigate the problem of ice accumulation in wind turbines by framing it as anomaly detection of multi-variate time series. Our approach focuses on two main parts: first, learning low-dimensional representations of time series using a Variational Recurrent Autoencoder (VRAE), and second, using unsupervised clustering algorithms to classify the learned representations as normal (no ice accumulated) or abnormal (ice accumulated). We have evaluated our approach on a custom wind turbine time series dataset, for the two-classes problem (one normal versus one abnormal class), we obtained a classification accuracy of up to 96$\%$ on test data. For the multiple-class problem (one normal versus multiple abnormal classes), we present a qualitative analysis of the low-dimensional learned latent space, providing insights into the capacities of our approach to tackle such problem. The code to reproduce this work can be found here https://github.com/agrija9/Wind-Turbines-VRAE-Paper.
• Abstract（参考訳）: 風力タービンのブレードの氷の蓄積は、異常な回転や回転を全く記述しない原因となり、それによって電気と出力の発生に影響を及ぼす。 本研究では,多変量時系列の異常検出法として,風車における氷の蓄積問題を考察する。 まず,変分再帰オートエンコーダ(vrae)を用いて時系列の低次元表現を学習し,次に教師なしクラスタリングアルゴリズムを用いて学習した表現を正常(氷を蓄積しない)または異常(氷を蓄積しない)に分類する。 風力タービンの時系列データセットのカスタム化について検討し,2つのクラス(通常クラスと異常クラス)について,試験データから最大96$0%の分類精度を得た。 多重クラス問題(正規クラスと多重クラス)については、低次元学習潜在空間の定性的解析を行い、そのような問題に対処するためのアプローチの能力について考察する。 この作業を再現するコードは、https://github.com/agrija9/Wind-Turbines-VRAE-Paperにある。

関連論文リスト

• CARE to Compare: A real-world dataset for anomaly detection in wind turbine data [0.0]
  風力タービンの予測保守分野において,異常検出は重要な役割を担っている。 さまざまなアプローチの比較では、さまざまなドメインのデータで構成されたベンチマーク、アクセス不可能なデータ、あるいは障害に関する詳細な情報を持たない数少ない公開データセットのいずれかが使用されている。 本稿では、3つの異なる風力発電所にわたる36基の風力タービンのデータを含む高品質なデータセットを公表する。
  論文  参考訳（メタデータ） (2024-04-16T07:02:40Z)
• Transfer learning applications for anomaly detection in wind turbines [0.0]
  風力タービンの異常検出は通常、異常を早期に検出するために通常の挙動モデルを使用する。 本研究では, 自動エンコーダによる異常検出において, 橋渡し学習をいかに応用できるかを検討する。
  論文  参考訳（メタデータ） (2024-04-03T18:48:45Z)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• 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)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• G2D: Generate to Detect Anomaly [10.977404378308817]
  我々は、通常のサンプルのみを用いて、GANスタイルの2つのディープニューラルネットワーク(ジェネレータと判別器)を学習する。 トレーニングフェーズでは、ジェネレータが正常なデータの生成に失敗した場合、不規則なジェネレータと見なすことができる。 生成した異常サンプルのバイナリ分類器と正常なインスタンスをトレーニングして不規則を検出する。
  論文  参考訳（メタデータ） (2020-06-20T18:02:50Z)

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。