論文の概要: A Deep Learning Framework for Wind Turbine Repair Action Prediction
Using Alarm Sequences and Long Short Term Memory Algorithms
- arxiv url: http://arxiv.org/abs/2207.09457v1
- Date: Tue, 19 Jul 2022 12:11:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 12:43:04.843035
- Title: A Deep Learning Framework for Wind Turbine Repair Action Prediction
Using Alarm Sequences and Long Short Term Memory Algorithms
- Title（参考訳）: アラームシーケンスと長期記憶アルゴリズムを用いた風力発電修理行動予測のためのディープラーニングフレームワーク
- Authors: Connor Walker, Callum Rothon, Koorosh Aslansefat, Yiannis
Papadopoulos, Nina Dethlefs
- Abstract要約: コンディションベースの監視(CBM)は、近年のアラームベースのシステムとデータ駆動意思決定の研究の最前線にある。
本稿では,長短期記憶(LSTM)モデルと双方向LSTMモデルを比較し,アラームシーケンスの入力シーケンスから関連する修復動作のセットを予測する新しいアイデアを提案する。
- 参考スコア（独自算出の注目度）: 1.2599533416395765
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With an increasing emphasis on driving down the costs of Operations and
Maintenance (O$\&$M) in the Offshore Wind (OSW) sector, comes the requirement
to explore new methodology and applications of Deep Learning (DL) to the
domain. Condition-based monitoring (CBM) has been at the forefront of recent
research developing alarm-based systems and data-driven decision making. This
paper provides a brief insight into the research being conducted in this area,
with a specific focus on alarm sequence modelling and the associated challenges
faced in its implementation. The paper proposes a novel idea to predict a set
of relevant repair actions from an input sequence of alarm sequences, comparing
Long Short-term Memory (LSTM) and Bidirectional LSTM (biLSTM) models. Achieving
training accuracy results of up to 80.23$\%$, and test accuracy results of up
to 76.01$\%$ with biLSTM gives a strong indication to the potential benefits of
the proposed approach that can be furthered in future research. The paper
introduces a framework that integrates the proposed approach into O$\&$M
procedures and discusses the potential benefits which include the reduction of
a confusing plethora of alarms, as well as unnecessary vessel transfers to the
turbines for fault diagnosis and correction.
- Abstract（参考訳）: オフショアウィンド(osw)部門における運用とメンテナンスのコスト(o$\&$m)の削減に重点を置くことで、ドメインへのディープラーニング(dl)の新たな方法論と応用を探求する必要性が高まっている。
コンディションベースの監視(CBM)は、近年のアラームベースのシステムとデータ駆動意思決定の研究の最前線にある。
本稿では,この領域で行われている研究について,特にアラームシーケンスモデリングとその実装における課題について,簡単な知見を提供する。
本稿では,アラームシーケンスの入力シーケンスから関連する修復動作のセットを予測し,Long Short-term Memory(LSTM)モデルとBidirectional LSTM(biLSTM)モデルを比較した。
トレーニング精度を最大80.23$\%$で達成し、bilstmで最大76.01$\%$の試験精度を達成すれば、今後の研究で期待できる提案手法の潜在的な利点を強く示すことができる。
本稿では,提案手法をO$\&$Mプロシージャに統合するフレームワークを導入し,故障診断と修正のためにタービンへの不必要な船舶の移動とともに,紛らわしい多数のアラームの低減を含む潜在的な利点について考察する。
関連論文リスト
- Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。
本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。
本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-17T11:47:56Z) - SafeLLM: Domain-Specific Safety Monitoring for Large Language Models: A Case Study of Offshore Wind Maintenance [0.6116681488656472]
本稿では,Large Language Models (LLMs) に着目して,この課題に対処する革新的なアプローチを提案する。
本稿では,幻覚の検出とフィルタリングのための文間距離を統計的に計算するための対話エージェントを提案する。
論文 参考訳（メタデータ） (2024-10-06T13:00:53Z) - Recover: A Neuro-Symbolic Framework for Failure Detection and Recovery [2.0554045007430672]
本稿では,オンライン障害識別と回復のためのニューロシンボリック・フレームワークであるRecoverを紹介する。
論理ルールとLLMベースのプランナを統合することで、Recoverはシンボル情報を利用してLLMの回復計画を生成する能力を高める。
論文 参考訳（メタデータ） (2024-03-31T17:54:22Z) - Fast Value Tracking for Deep Reinforcement Learning [7.648784748888187]
強化学習(Reinforcement Learning, RL)は、環境と対話するエージェントを作成することによって、シーケンシャルな意思決定問題に取り組む。
既存のアルゴリズムはしばしばこれらの問題を静的とみなし、期待される報酬を最大化するためにモデルパラメータの点推定に重点を置いている。
我々の研究は、カルマンパラダイムを活用して、Langevinized Kalman TemporalTDと呼ばれる新しい定量化およびサンプリングアルゴリズムを導入する。
論文 参考訳（メタデータ） (2024-03-19T22:18:19Z) - Resampling Stochastic Gradient Descent Cheaply for Efficient Uncertainty
Quantification [6.832893024035705]
本稿では,SGDソリューションの信頼性区間を構築するために,計算的に安価に再サンプリングする2つの手法について検討する。
データのリサンプリングと置換によって複数のSGDを並行して使用するものもあれば、オンライン形式で運用するものもある。
論文 参考訳（メタデータ） (2023-10-17T08:18:10Z) - Let's reward step by step: Step-Level reward model as the Navigators for
Reasoning [64.27898739929734]
Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。
LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。
提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
論文 参考訳（メタデータ） (2023-10-16T05:21:50Z) - An Auction-based Coordination Strategy for Task-Constrained Multi-Agent
Stochastic Planning with Submodular Rewards [7.419725234099728]
既存のタスク調整アルゴリズムはプロセスを無視したり、計算強度に悩まされる。
新たに定式化されたスコア関数を用いた分散オークションベースのコーディネート戦略を提案する。
大規模アプリケーションの実装には,提案手法の近似変種,すなわちDeep Auctionも提案されている。
論文 参考訳（メタデータ） (2022-12-30T10:25:25Z) - ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。
まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。
最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
論文 参考訳（メタデータ） (2022-07-14T17:46:37Z) - Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。
SPOTは最先端の代替品よりも優れている。
論文 参考訳（メタデータ） (2022-07-14T16:58:47Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z)
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。