論文の概要: Stuttgart Open Relay Degradation Dataset (SOReDD)
- arxiv url: http://arxiv.org/abs/2204.01626v1
- Date: Mon, 4 Apr 2022 16:16:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 16:03:46.508109
- Title: Stuttgart Open Relay Degradation Dataset (SOReDD)
- Title（参考訳）: Stuttgart Open Relay Degradation Dataset (SOReDD)
- Authors: Benjamin Maschler, Angel Iliev, Thi Thu Huong Pham, Michael Weyrich
- Abstract要約: 産業移転学習は、以前に獲得した知識を活用できるようにすることで適応の努力を減らしたいと考えている。
データ駆動型であるため、産業移動学習アルゴリズムの開発には当然、トレーニングに適切なデータセットが必要である。
Stuttgart Open Relay Degradationデータセット(SOReDD)では、このようなデータセットを提供したいと思っています。
異なる運転条件下で異なる電気機械リレーの劣化に関するデータを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-life industrial use cases for machine learning oftentimes involve
heterogeneous and dynamic assets, processes and data, resulting in a need to
continuously adapt the learning algorithm accordingly. Industrial transfer
learning offers to lower the effort of such adaptation by allowing the
utilization of previously acquired knowledge in solving new (variants of)
tasks. Being data-driven methods, the development of industrial transfer
learning algorithms naturally requires appropriate datasets for training.
However, open-source datasets suitable for transfer learning training, i.e.
spanning different assets, processes and data (variants), are rare. With the
Stuttgart Open Relay Degradation Dataset (SOReDD) we want to offer such a
dataset. It provides data on the degradation of different electromechanical
relays under different operating conditions, allowing for a large number of
different transfer scenarios. Although such relays themselves are usually
inexpensive standard components, their failure often leads to the failure of a
machine as a whole due to their role as the central power switching element of
a machine. The main cost factor in the event of a relay defect is therefore not
the relay itself, but the reduced machine availability. It is therefore
desirable to predict relay degradation as accurately as possible for specific
applications in order to be able to replace relays in good time and avoid
unplanned machine downtimes. Nevertheless, data-driven failure prediction for
electromechanical relays faces the challenge that relay degradation behavior is
highly dependent on the operating conditions, high-resolution measurement data
on relay degradation behavior is only collected in rare cases, and such data
can then only cover a fraction of the possible operating environments. Relays
are thus representative of many other central standard components in automation
technology.
- Abstract（参考訳）: 機械学習の現実的な産業ユースケースは、しばしば異質でダイナミックな資産、プロセス、データを含むため、学習アルゴリズムを継続的に適応する必要がある。
産業移転学習は、以前獲得した知識を新しい(様々な)タスクの解決に活用することで、そのような適応の努力を減らしたいと考えている。
データ駆動方式であるため、産業転校学習アルゴリズムの開発には当然、適切なデータセットが必要となる。
しかし、トランスファーラーニングトレーニングに適したオープンソースデータセット、すなわち異なる資産、プロセス、データ(変数)にまたがるデータセットは稀である。
Stuttgart Open Relay Degradation Dataset (SOReDD)では、このようなデータセットを提供したいと思っています。
異なる動作条件下での異なる電気機械リレーの劣化に関するデータを提供し、多数の異なる転送シナリオを実現する。
このようなリレー自体は通常安価な標準部品であるが、その故障は機械の中央電源スイッチング要素としての役割が原因で、機械全体の故障に繋がることが多い。
リレー欠陥が発生した場合の主なコスト要因は、リレー自体ではなく、マシンの可用性の低下である。
したがって、適切なタイミングでリレーを置き換えることができ、計画外のマシンダウンタイムを避けるために、特定のアプリケーションで可能な限り正確なリレー劣化を予測することが望ましい。
それにもかかわらず、電気機械リレーのデータ駆動故障予測は、リレー劣化挙動が動作条件に大きく依存しているという課題に直面しており、リレー劣化挙動に関する高分解能の測定データは稀にのみ収集され、そのようなデータは動作環境のごく一部をカバーすることができる。
したがって、リレーは自動化技術における他の多くの標準コンポーネントの代表である。
関連論文リスト
- FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification [7.136205674624813]
本稿では,トランスモデルに基づく自己教師型事前学習および微調整フレームワークを提案する。
特に、最先端のアキュラシーに到達するための異なるトークン化とデータ拡張戦略について検討する。
このパラダイムでは、異なるベアリング、障害、機械からラベル付けされていないデータに基づいてモデルを事前訓練し、新しいデータスカースアプリケーションに素早くデプロイすることが可能になる。
論文 参考訳（メタデータ） (2023-12-04T22:51:02Z) - Learning-based adaption of robotic friction models [48.453527255659296]
我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。
提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。
本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
論文 参考訳（メタデータ） (2023-10-25T14:50:15Z) - Fast Machine Unlearning Without Retraining Through Selective Synaptic
Dampening [51.34904967046097]
Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。
高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T11:30:45Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - Causal Decision Transformer for Recommender Systems via Offline
Reinforcement Learning [23.638418776700522]
我々は、リコメンデータシステムのための因果決定変換器(CDT4Rec)という新しいモデルを提案する。
CDT4Recはオフラインの強化学習システムで、オンラインインタラクションではなくデータセットから学習することができる。
本モデルの有効性と優位性を示すため、6つの実世界のオフラインデータセットと1つのオンラインシミュレータの実験を行った。
論文 参考訳（メタデータ） (2023-04-17T00:05:52Z) - Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。
最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。
このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文 参考訳（メタデータ） (2023-03-02T17:32:11Z) - FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。
ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。
FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
論文 参考訳（メタデータ） (2022-09-28T19:49:39Z) - In-flight Novelty Detection with Convolutional Neural Networks [0.0]
本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。
本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。
このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
論文 参考訳（メタデータ） (2021-12-07T15:19:41Z) - Federated Learning with Correlated Data: Taming the Tail for Age-Optimal
Industrial IoT [55.62157530259969]
本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。
本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。
数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
論文 参考訳（メタデータ） (2021-08-17T08:38:31Z) - Communication-Efficient Federated Learning via Predictive Coding [38.778944321534084]
フェデレートされた学習は、リモートワーカーが共同で機械学習モデルを共有することができる。
通信オーバーヘッドは、電力と帯域幅が限られているため、重大なボトルネックとなっている。
フェデレート学習のための予測符号化に基づく通信方式を提案する。
論文 参考訳（メタデータ） (2021-08-02T14:12:19Z) - LUNAR: Cellular Automata for Drifting Data Streams [19.98517714325424]
セルオートマトンを合理化したLUNARを提案する。
ドリフト条件に適応しながら、本当の漸進的な学習者として振る舞うことができる。
論文 参考訳（メタデータ） (2020-02-06T09:10:43Z)
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。