論文の概要: Knock Detection in Combustion Engine Time Series Using a Theory-Guided
1D Convolutional Neural Network Approach
- arxiv url: http://arxiv.org/abs/2201.06990v1
- Date: Tue, 18 Jan 2022 13:54:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 17:10:52.686237
- Title: Knock Detection in Combustion Engine Time Series Using a Theory-Guided
1D Convolutional Neural Network Approach
- Title（参考訳）: 理論誘導型1次元畳み込みニューラルネットワークによる燃焼機関時系列のノック検出
- Authors: Andreas B. Ofner, Achilles Kefalas, Stefan Posch, Bernhard C. Geiger
- Abstract要約: 本稿では,内圧データに基づいて訓練された1次元畳み込みニューラルネットワークを用いて内燃機関(ICE)のノック発生を検出する手法を提案する。
ニューラルネットワークは、複数の条件と人間の専門家が提供したラベルから、シリンダー内の圧力トレースにのみ訓練された。
このアルゴリズムは1ミリ秒以下で個々のサイクルを分類し、エンジンのリアルタイム制御に効果的に適合する。
- 参考スコア（独自算出の注目度）: 5.878411350387833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a method for the detection of knock occurrences in an
internal combustion engine (ICE) using a 1D convolutional neural network
trained on in-cylinder pressure data. The model architecture was based on
considerations regarding the expected frequency characteristics of knocking
combustion. To aid the feature extraction, all cycles were reduced to 60{\deg}
CA long windows, with no further processing applied to the pressure traces. The
neural networks were trained exclusively on in-cylinder pressure traces from
multiple conditions and labels provided by human experts. The best-performing
model architecture achieves an accuracy of above 92% on all test sets in a
tenfold cross-validation when distinguishing between knocking and non-knocking
cycles. In a multi-class problem where each cycle was labeled by the number of
experts who rated it as knocking, 78% of cycles were labeled perfectly, while
90% of cycles were classified at most one class from ground truth. They thus
considerably outperform the broadly applied MAPO (Maximum Amplitude of Pressure
Oscillation) detection method, as well as other references reconstructed from
previous works. Our analysis indicates that the neural network learned
physically meaningful features connected to engine-characteristic resonance
frequencies, thus verifying the intended theory-guided data science approach.
Deeper performance investigation further shows remarkable generalization
ability to unseen operating points. In addition, the model proved to classify
knocking cycles in unseen engines with increased accuracy of 89% after adapting
to their features via training on a small number of exclusively non-knocking
cycles. The algorithm takes below 1 ms (on CPU) to classify individual cycles,
effectively making it suitable for real-time engine control.
- Abstract（参考訳）: 本稿では,内圧データに基づいて訓練された1次元畳み込みニューラルネットワークを用いて内燃機関(ICE)のノック発生を検出する手法を提案する。
モデルアーキテクチャはノック燃焼の期待周波数特性を考慮に入れたものである。
特徴抽出を助けるため、全てのサイクルは60{\deg} CAの長い窓に短縮され、圧力トレースにそれ以上の処理は適用されなかった。
ニューラルネットワークは、複数の条件と人間の専門家が提供したラベルから、シリンダー内の圧力トレースにのみ訓練された。
最高の性能のモデルアーキテクチャは、ノックと非ノックのサイクルを区別する際に、10倍のクロスバリデーションで全てのテストセットで92%以上の精度を達成する。
各サイクルをノックと評する専門家の数でラベル付けされたマルチクラス問題では、サイクルの78%が完全にラベル付けされ、90%のサイクルが基礎真理から最も1つのクラスに分類された。
これにより,MAPO (Maximum Amplitude of Pressure Oscillation) 検出法と,以前の研究から再構成した他の基準を著しく上回った。
解析の結果,ニューラルネットワークはエンジン特性共鳴周波数と物理的に有意な特徴を学習し,理論誘導型データサイエンスアプローチを検証した。
より深い性能調査は、未確認の操作点に対する顕著な一般化能力を示している。
さらに、このモデルでは、少数の非ノックサイクルのトレーニングを通じて特徴に適応した後、不審エンジンのノックサイクルを89%の精度で分類することが判明した。
このアルゴリズムは1ミリ秒以下で個々のサイクルを分類し、エンジンのリアルタイム制御に効果的に適合する。
関連論文リスト
- Using deep neural networks to detect non-analytically defined expert event labels in canoe sprint force sensor signals [3.1446633690603356]
本稿では、パドルストロークイベントを自動的に予測する能力の観点から、畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)について検討する。
以上の結果から,双方向ゲート再帰単位(BGRU)に基づくRNNがパドルストローク検出に最も適したモデルであることが判明した。
論文 参考訳（メタデータ） (2024-07-11T10:59:11Z) - Forecasting Lithium-Ion Battery Longevity with Limited Data
Availability: Benchmarking Different Machine Learning Algorithms [3.4628430044380973]
この研究は、従来の機械学習とディープラーニングの両方で、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較することを目的としている。
統計的データに基づいて手工芸品を投入した14種類の機械学習モデルについて検討した。
深層学習モデルは、特に生の限られたデータに対して不適切な性能を示すことが観察された。
論文 参考訳（メタデータ） (2023-12-10T00:51:50Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Deep Learning Architectures for FSCV, a Comparison [0.0]
適合性は、"out-of-probe"の場合の予測性能、人工的に誘導される電気ノイズに対する応答、与えられたプローブに対してモデルがいつ不完全になるかを予測する能力によって決定される。
深い畳み込みニューラルネットワークであるInceptionTimeアーキテクチャは、テストされたモデルの最高の絶対的な予測性能を持つが、ノイズの影響を受けやすい。
単純多層型パーセプトロンアーキテクチャは2番目に低い予測誤差を有しており、人工ノイズの影響を受けていないため、畳み込みは疑わしいほど重要でない可能性がある。
論文 参考訳（メタデータ） (2022-12-05T00:20:10Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳（メタデータ） (2022-06-21T01:46:38Z) - Classification of ECG based on Hybrid Features using CNNs for Wearable
Applications [2.0999222360659604]
ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。
この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。
周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
論文 参考訳（メタデータ） (2022-06-14T12:14:40Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Deep Learning and Statistical Models for Time-Critical Pedestrian
Behaviour Prediction [5.593571255686115]
ニューラルネットワークモデルは80%の精度を達成するが、これを達成するには長いシーケンスを必要とする(100サンプル以上)。
SLDSは精度が74%低いが、短いシーケンス(10サンプル)でこの結果が得られる。
結果は、時間的臨界問題におけるモデルの適合性に関する重要な直感を与える。
論文 参考訳（メタデータ） (2020-02-26T00:05:19Z)
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。