論文の概要: A Deep Learning Approach to Detect Lean Blowout in Combustion Systems
- arxiv url: http://arxiv.org/abs/2208.01871v1
- Date: Wed, 3 Aug 2022 06:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:00:38.404982
- Title: A Deep Learning Approach to Detect Lean Blowout in Combustion Systems
- Title（参考訳）: 燃焼システムにおけるリーンブローアウト検出のための深層学習手法
- Authors: Tryambak Gangopadhyay, Somnath De, Qisai Liu, Achintya Mukhopadhyay,
Swarnendu Sen, Soumik Sarkar
- Abstract要約: リーン燃焼へのアプローチは、エンジンをよりリーンブローアウトに敏感にすることができる。
本稿では,燃焼系におけるリーンブローアウト検出のためのディープラーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 8.09708819235519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lean combustion is environment friendly with low NOx emissions and also
provides better fuel efficiency in a combustion system. However, approaching
towards lean combustion can make engines more susceptible to lean blowout. Lean
blowout (LBO) is an undesirable phenomenon that can cause sudden flame
extinction leading to sudden loss of power. During the design stage, it is
quite challenging for the scientists to accurately determine the optimal
operating limits to avoid sudden LBO occurrence. Therefore, it is crucial to
develop accurate and computationally tractable frameworks for online LBO
detection in low NOx emission engines. To the best of our knowledge, for the
first time, we propose a deep learning approach to detect lean blowout in
combustion systems. In this work, we utilize a laboratory-scale combustor to
collect data for different protocols. We start far from LBO for each protocol
and gradually move towards the LBO regime, capturing a quasi-static time series
dataset at each condition. Using one of the protocols in our dataset as the
reference protocol and with conditions annotated by domain experts, we find a
transition state metric for our trained deep learning model to detect LBO in
the other test protocols. We find that our proposed approach is more accurate
and computationally faster than other baseline models to detect the transitions
to LBO. Therefore, we recommend this method for real-time performance
monitoring in lean combustion engines.
- Abstract（参考訳）: リーン燃焼はNOx排出の少ない環境に優しく、燃焼システムにおける燃費も向上する。
しかし、リーン燃焼に近づくと、エンジンはよりリーンブローアウトに敏感になる。
リーン・ブロウアウト(lbo)は、突然の炎が消滅し、突然の権力喪失を引き起こす、望ましくない現象である。
設計段階では、科学者が突然のLBOの発生を避けるために最適な運転限界を正確に決定することは極めて困難である。
そのため,低NOxエミッションエンジンにおけるオンラインLBO検出のための,正確かつ計算可能なフレームワークを開発することが重要である。
我々の知る限りでは、燃焼システムにおけるリーン吹出しを検出するためのディープラーニング手法を初めて提案する。
本研究では,実験室規模の燃焼器を用いて異なるプロトコルのデータ収集を行う。
我々は各プロトコルについてLBOから離れ、徐々にLBO体制へ移行し、各条件で準静的時系列データセットを取得する。
データセット内のプロトコルの1つを参照プロトコルとして使用し、ドメインの専門家によって注釈付けされた条件を用いて、トレーニングされたディープラーニングモデルの遷移状態メトリクスを見つけ、他のテストプロトコルでLBOを検出する。
lboへの移行を検出するため,提案手法は他のベースラインモデルよりも精度が高く,計算速度が速いことが判明した。
そこで本手法は, リーン燃焼機関のリアルタイム性能モニタリングに有効である。
関連論文リスト
- Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。
このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文 参考訳（メタデータ） (2024-10-15T12:55:57Z) - Real-time Fuel Leakage Detection via Online Change Point Detection [8.414339147565103]
メモリベースオンライン変更点検出(MOCPD)と呼ばれる新しいフレームワークを提案する。
MOCPDは、ほぼリアルタイムで動作し、燃料漏れの早期検出を可能にする。
我々はMOCPDと一般的に使用されているオンライン変化点検出(CPD)のベースラインを比較した様々な実験を行った。
論文 参考訳（メタデータ） (2024-10-13T06:22:13Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Prescribed Fire Modeling using Knowledge-Guided Machine Learning for
Land Management [2.158876211806538]
本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。
ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。
また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
論文 参考訳（メタデータ） (2023-10-02T19:38:04Z) - Efficient Visual Fault Detection for Freight Train Braking System via
Heterogeneous Self Distillation in the Wild [8.062167870951706]
本稿では,検出精度と速度を確保するため,不均一な自己蒸留フレームワークを提案する。
我々は,学習効率を向上させるために,ラベル付近の値にネットワークを集中させる新たな損失関数を用いる。
我々のフレームワークは毎秒37フレーム以上を達成でき、従来の蒸留法と比較して高い精度を維持することができる。
論文 参考訳（メタデータ） (2023-07-03T01:27:39Z) - Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。
そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文 参考訳（メタデータ） (2022-12-09T11:32:36Z) - 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) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-17T13:42:37Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - Safe Learning Reference Governor for Constrained Systems with
Application to Fuel Truck Rollover Avoidance [2.6856763450986336]
本稿では,正確なモデルが利用できないシステムにおける状態制約と制御制約を強制する学習基準ガバナー(LRG)手法を提案する。
提案したLRGは,様々な運転条件下でのロールオーバー事故から燃料トラックを効果的に保護できることを示す。
論文 参考訳（メタデータ） (2021-01-22T19:13:11Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z)
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。