論文の概要: Transfer Learning for Fault Diagnosis of Transmission Lines
- arxiv url: http://arxiv.org/abs/2201.08018v1
- Date: Thu, 20 Jan 2022 06:36:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-22 00:01:50.947047
- Title: Transfer Learning for Fault Diagnosis of Transmission Lines
- Title（参考訳）: 伝送線路の故障診断のための転送学習
- Authors: Fatemeh Mohammadi Shakiba, Milad Shojaee, S. Mohsen Azizi, and Mengchu
Zhou
- Abstract要約: 事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
- 参考スコア（独自算出の注目度）: 55.971052290285485
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent artificial intelligence-based methods have shown great promise in the
use of neural networks for real-time sensing and detection of transmission line
faults and estimation of their locations. The expansion of power systems
including transmission lines with various lengths have made a fault detection,
classification, and location estimation process more challenging. Transmission
line datasets are stream data which are continuously collected by various
sensors and hence, require generalized and fast fault diagnosis approaches.
Newly collected datasets including voltages and currents might not have enough
and accurate labels (fault and no fault) that are useful to train neural
networks. In this paper, a novel transfer learning framework based on a
pre-trained LeNet-5 convolutional neural network is proposed. This method is
able to diagnose faults for different transmission line lengths and impedances
by transferring the knowledge from a source convolutional neural network to
predict a dissimilar target dataset. By transferring this knowledge, faults
from various transmission lines, without having enough labels, can be diagnosed
faster and more efficiently compared to the existing methods. To prove the
feasibility and effectiveness of this methodology, seven different datasets
that include various lengths of transmission lines are used. The robustness of
the proposed methodology against generator voltage fluctuation, variation in
fault distance, fault inception angle, fault resistance, and phase difference
between the two generators are well shown, thus proving its practical values in
the fault diagnosis of transmission lines.
- Abstract（参考訳）: 近年の人工知能に基づく手法は,伝送路障害のリアルタイム検出と検出と位置推定にニューラルネットワークを用いることで,大きな可能性を示唆している。
様々な長さの送電線を含む電力系統の拡張により、故障検出、分類、位置推定がより困難になっている。
伝送線路データセットは、さまざまなセンサによって継続的に収集されるストリームデータであり、汎用的で高速な障害診断アプローチを必要とする。
電圧や電流を含む新たな収集データセットは、ニューラルネットワークのトレーニングに役立つ十分な正確なラベル(フォールトとフォールトなし)を持っていない可能性がある。
本稿では,事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい移動学習フレームワークを提案する。
この方法は、ソース畳み込みニューラルネットワークから知識を転送して異種ターゲットデータセットを予測することにより、伝送線路長やインピーダンスの異なる障害を診断することができる。
この知識を伝達することで、ラベルを十分に持たない様々な伝送路の故障を、既存の方法と比較して迅速かつ効率的に診断することができる。
本手法の有効性と有効性を証明するために,伝送路の長さの異なる7種類のデータセットを用いる。
提案手法は, 発電機の電圧変動, 故障距離の変動, 障害発生角度, 耐故障性, および2つの発電機の位相差に対するロバスト性をよく示し, 伝送線路の故障診断における実用的価値を実証した。
関連論文リスト
- ViT LoS V2X: Vision Transformers for Environment-aware LoS Blockage Prediction for 6G Vehicular Networks [20.953587995374168]
我々は、畳み込みニューラルネットワーク(CNN)とカスタマイズされた視覚変換器(ViT)を組み合わせたディープラーニングベースのアプローチを提案する。
提案手法は,時系列マルチモーダルデータから特徴を抽出するために,CNNとViTの相乗的強みを利用する。
その結果,提案手法は精度が高く,最先端のソリューションよりも優れ,95%以上の精度で予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-27T01:38:09Z) - Adversarial Learning for Feature Shift Detection and Correction [45.65548560695731]
機能シフトは、複数のセンサデータ、一部のセンサが機能不全である、あるいは構造化データ、欠陥のある標準化とデータ処理パイプラインが誤った機能につながる、など、多くのデータセットで起こりうる。
そこで本研究では,2つの分布を区別するために訓練された複数の識別器から得られる情報を用いて,破損した特徴を検知し,それらを修正することにより,データセット間の分布シフトを除去する。
論文 参考訳（メタデータ） (2023-12-07T18:58:40Z) - Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-27T03:25:12Z) - An Intelligent Approach to Detecting Novel Fault Classes for Centrifugal
Pumps Based on Deep CNNs and Unsupervised Methods [0.0]
本稿では,システム障害の部分的知識を仮定し,それに対応するデータを用いて畳み込みニューラルネットワークを訓練する。
次に、新しい断層を検出するために、t-SNE法とクラスタリング法の組み合わせを用いる。
論文 参考訳（メタデータ） (2023-09-22T10:10:30Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Detection Method Based on Automatic Visual Shape Clustering for
Pin-Missing Defect in Transmission Lines [1.602803566465659]
ボルトは送電線で最も多くのファスナーであり、分割ピンを失う傾向にある。
タイムリーかつ効率的なトラブルシューティングを実現するために,伝送線路のボルトの自動ピン欠落検出を実現する方法は難しい問題である。
本稿では、ピン欠落検出のためのAVSCNet(Automatic Visual Shape Clustering Network)と呼ばれる自動検出モデルを構築した。
論文 参考訳（メタデータ） (2020-01-17T10:57:37Z)
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。