Fugu-MT 論文翻訳(概要): Deep Convolutional Autoencoder for Assessment of Anomalies in Multi-stream Sensor Data

論文の概要: Deep Convolutional Autoencoder for Assessment of Anomalies in Multi-stream Sensor Data

arxiv url: http://arxiv.org/abs/2202.07592v1
Date: Tue, 15 Feb 2022 17:28:42 GMT
ステータス: 処理完了
システム内更新日: 2022-02-16 16:35:29.668004
Title: Deep Convolutional Autoencoder for Assessment of Anomalies in Multi-stream Sensor Data
Title（参考訳）: マルチストリームセンサデータにおける異常評価のための深部畳み込みオートエンコーダ
Authors: Anthony Geglio, Eisa Hedayati, Mark Tascillo, Dyche Anderson, Jonathan Barker, Timothy C. Havens
Abstract要約: マルチセンサ駆動サイクルデータにおける異常検出のための完全畳み込みオートエンコーダを開発した。予備的な結果は、トレーニングされたオートエンコーダを用いて、障害駆動サイクルの復元誤差が、健康駆動サイクルの再構成と比較して著しくずれていることを示している。
参考スコア（独自算出の注目度）: 3.61944432622099
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A fully convolutional autoencoder is developed for the detection of anomalies in multi-sensor vehicle drive-cycle data from the powertrain domain. Preliminary results collected on real-world powertrain data show that the reconstruction error of faulty drive cycles deviates significantly relative to the reconstruction of healthy drive cycles using the trained autoencoder. The results demonstrate applicability for identifying faulty drive-cycles, and for improving the accuracy of system prognosis and predictive maintenance in connected vehicles.
Abstract（参考訳）: パワートレイン領域からの多センサ駆動サイクルデータにおける異常検出のための完全畳み込みオートエンコーダを開発した。実世界のパワートレインデータから得られた予備結果は,故障ドライブサイクルの再構成誤差が,トレーニングされたオートエンコーダを用いた正常ドライブサイクルの再構成に比較して有意に低下することを示している。これらの結果から, 故障駆動サイクルの同定, システム予後の精度向上, 連結車両の予測保守性の向上が期待できる。

関連論文リスト

Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文参考訳（メタデータ） (2023-06-23T07:01:10Z)
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)
A Temporal Anomaly Detection System for Vehicles utilizing Functional Working Groups and Sensor Channels [0.0]
Vehicle Performance, Reliability, Operationsデータセットを導入し, 異常検出のためのマルチフェーズアプローチを作成する。我々の異常検出システムは96%の精度で検出でき、真の異常の91%を正確に予測できる。
論文参考訳（メタデータ） (2022-09-14T14:33:07Z)
Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
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。
論文参考訳（メタデータ） (2022-01-20T06:36:35Z)
Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
人間と同様、自動走行車は異常検出を行う。私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
論文参考訳（メタデータ） (2021-10-15T08:07:31Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文参考訳（メタデータ） (2021-07-28T10:19:58Z)
Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
論文参考訳（メタデータ） (2021-07-27T09:56:49Z)
A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文参考訳（メタデータ） (2020-10-29T08:27:43Z)
Anomaly Detection with SDAE [2.9447568514391067]
A Simple, Deep, and Supervised Deep Autoencoder were trained and comparison for anomaly detection over the ASHRAE building energy data。ディープ・オートエンコーダが最も優れているが、スーパービジョンド・ディープ・オートエンコーダは検出された全異常において他のモデルよりも優れている。
論文参考訳（メタデータ） (2020-04-09T07:22:08Z)

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。