論文の概要: Augmented Imagefication: A Data-driven Fault Detection Method for
Aircraft Air Data Sensors
- arxiv url: http://arxiv.org/abs/2206.09055v1
- Date: Sat, 18 Jun 2022 00:06:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:09:19.532035
- Title: Augmented Imagefication: A Data-driven Fault Detection Method for
Aircraft Air Data Sensors
- Title（参考訳）: Augmented Imagefication: 航空機用データセンサのデータ駆動故障検出法
- Authors: Hang Zhao, Jinyi Ma, Zhongzhi Li, Yiqun Dong, Jianliang Ai
- Abstract要約: 航空機用エアデータセンサ(ADS)のFD(Augmented Imagefication for Fault Detection)と呼ばれる新しいデータ駆動方式を提案する。
深層ニューラルネットワーク(DNN)に基づくエッジデバイス上でのオンラインFDスキームを開発し,航空機のリアルタイム監視を実現する。
- 参考スコア（独自算出の注目度）: 12.317152569123541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a novel data-driven approach named Augmented Imagefication for
Fault detection (FD) of aircraft air data sensors (ADS) is proposed.
Exemplifying the FD problem of aircraft air data sensors, an online FD scheme
on edge device based on deep neural network (DNN) is developed. First, the
aircraft inertial reference unit measurements is adopted as equivalent inputs,
which is scalable to different aircraft/flight cases. Data associated with 6
different aircraft/flight conditions are collected to provide diversity
(scalability) in the training/testing database. Then Augmented Imagefication is
proposed for the DNN-based prediction of flying conditions. The raw data are
reshaped as a grayscale image for convolutional operation, and the necessity of
augmentation is analyzed and pointed out. Different kinds of augmented method,
i.e. Flip, Repeat, Tile and their combinations are discussed, the result shows
that the All Repeat operation in both axes of image matrix leads to the best
performance of DNN. The interpretability of DNN is studied based on Grad-CAM,
which provide a better understanding and further solidifies the robustness of
DNN. Next the DNN model, VGG-16 with augmented imagefication data is optimized
for mobile hardware deployment. After pruning of DNN, a lightweight model
(98.79% smaller than original VGG-16) with high accuracy (slightly up by 0.27%)
and fast speed (time delay is reduced by 87.54%) is obtained. And the
hyperparameters optimization of DNN based on TPE is implemented and the best
combination of hyperparameters is determined (learning rate 0.001, iterative
epochs 600, and batch size 100 yields the highest accuracy at 0.987). Finally,
a online FD deployment based on edge device, Jetson Nano, is developed and the
real time monitoring of aircraft is achieved. We believe that this method is
instructive for addressing the FD problems in other similar fields.
- Abstract（参考訳）: 本稿では,航空機用エアデータセンサ(ADS)のFD(Augmented Imagefication for Fault Detection)と呼ばれる新しいデータ駆動方式を提案する。
航空機用空気データセンサのFD問題を例として,ディープニューラルネットワーク(DNN)に基づくエッジデバイス上のオンラインFDスキームを開発した。
第一に、航空機慣性基準単位の測定は、異なる航空機/飛行ケースに対してスケーラブルな等価な入力として採用されている。
6つの異なる航空機/飛行条件に関連するデータが収集され、トレーニング/テストデータベースに多様性(scalability)を提供する。
次に,DNNによる飛行条件の予測のために,Augmented Imageficationを提案する。
原データは畳み込み操作のためのグレースケール画像として再構成され、補足の必要性を解析して指摘する。
Flip, Repeat, Tile とそれらの組み合わせについて検討した結果, 画像行列の両軸における All Repeat 演算が DNN の最高の性能をもたらすことが示された。
DNNの解釈性はGrad-CAMに基づいて研究され、DNNの堅牢性をよりよく理解し、さらに確立する。
次にDNNモデルであるVGG-16は、モバイルハードウェア展開に最適化されている。
dnnのプルーニング後、精度の高い軽量モデル(元のvgg-16より98.79%小さい)と高速(時間遅延を87.54%小さくする)が得られる。
そして、TPEに基づくDNNのハイパーパラメータ最適化を行い、ハイパーパラメータの最良の組み合わせを決定する(学習率0.001、反復エポック600、バッチサイズ100は0.987で最高精度が得られる)。
最後に、エッジデバイスに基づくオンラインFDデプロイメントであるJetson Nanoを開発し、航空機のリアルタイム監視を実現する。
本手法は他の類似分野のFD問題に対処するための指導的手法であると信じている。
関連論文リスト
- Is That Rain? Understanding Effects on Visual Odometry Performance for Autonomous UAVs and Efficient DNN-based Rain Classification at the Edge [1.8936798735951972]
最先端のローカルトラッキングと軌道計画は通常、飛行制御アルゴリズムにカメラセンサーを入力して実行される。
最先端のビジュアル・オドメトリーシステムでは, 1.5mの最悪ケース平均追跡誤差が可能であることを示す。
我々は、モバイルおよび制約されたデプロイメントシナリオに適したディープニューラルネットワークモデルのセットをトレーニングし、これらの雨の条件を効率的に正確に分類できる範囲を判断する。
論文 参考訳（メタデータ） (2024-07-17T15:47:25Z) - Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural
Network Trained with Enhanced Virtual Data [0.4640835690336652]
本稿では,極薄レーダー開口部からのレーダデータを完全に処理できるディープニューラルネットワーク(DNN)に基づく手法を提案する。
提案したDNN処理は、エイリアスフリーレーダイメージングと超解像の両方を提供することができる。
完全に占有された配列で達成されるのとほぼ同じ解像度と画質を同時に提供する。
論文 参考訳（メタデータ） (2023-06-16T13:37:47Z) - Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs [7.112725255953468]
本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。
本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
論文 参考訳（メタデータ） (2023-05-16T06:15:13Z) - Fault Detection and Classification of Aerospace Sensors using a
VGG16-based Deep Neural Network [1.2599533416395765]
イメージフィケーションに基づくインテリジェントFDCという概念が近年研究されている。
本稿ではまず,重ねられた画像をより大きなサイズに膨らませるデータ拡張手法を提案する。
FDCニューラルネットワークは、VGG16を直接微調整することでトレーニングされる。
論文 参考訳（メタデータ） (2022-07-27T03:14:17Z) - Analysis and Adaptation of YOLOv4 for Object Detection in Aerial Images [0.0]
本研究は,空中画像中の物体とその位置を予測するためのYOLOv4フレームワークの適応性を示す。
トレーニングされたモデルは平均的な平均精度(mAP)が45.64%となり、推論速度はTesla K80 GPUで8.7FPSに達した。
いくつかの現代の空中物体検出器との比較研究により、YOLOv4はより優れた性能を示し、航空プラットフォームに組み込むのにより適した検出アルゴリズムが示唆された。
論文 参考訳（メタデータ） (2022-03-18T23:51:09Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - 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) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。