論文の概要: Forecasting Sensor Values in Waste-To-Fuel Plants: a Case Study

• arxiv url: http://arxiv.org/abs/2209.13957v1
• Date: Wed, 28 Sep 2022 09:40:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 16:12:20.601075
• Title: Forecasting Sensor Values in Waste-To-Fuel Plants: a Case Study
• Title（参考訳）: 廃棄物燃料プラントにおける予測センサ値:事例研究
• Authors: Bor Brecelj and Beno \v{S}ircelj and Jo\v{z}e M. Ro\v{z}anec and Bla\v{z} Fortuna and Dunja Mladeni\'c
• Abstract要約: 廃棄物燃料プラントの将来のセンサ読み取りを予測するための機械学習モデルを開発した。 モデルは過去のデータを用いて訓練され、特定のタイミングで計測されたセンサーの読み取りに基づいて予測が行われた。 私たちはカナダの廃燃料工場で実世界のユースケースでモデルをテストしました。
• 参考スコア（独自算出の注目度）: 0.47248250311484113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this research, we develop machine learning models to predict future sensor readings of a waste-to-fuel plant, which would enable proactive control of the plant's operations. We developed models that predict sensor readings for 30 and 60 minutes into the future. The models were trained using historical data, and predictions were made based on sensor readings taken at a specific time. We compare three types of models: (a) a n\"aive prediction that considers only the last predicted value, (b) neural networks that make predictions based on past sensor data (we consider different time window sizes for making a prediction), and (c) a gradient boosted tree regressor created with a set of features that we developed. We developed and tested our models on a real-world use case at a waste-to-fuel plant in Canada. We found that approach (c) provided the best results, while approach (b) provided mixed results and was not able to outperform the n\"aive consistently.
• Abstract（参考訳）: 本研究では, 廃棄物燃料プラントの将来のセンサ読み取りを予測し, プラントの運転を積極的に制御できる機械学習モデルを開発した。 センサの読み出しを30分から60分予測するモデルを開発した。 モデルは過去のデータを使って訓練され、特定の時刻に行われたセンサーの読み取りに基づいて予測された。 3種類のモデルを比較します (a)最後の予測値のみを考慮したn\"aive prediction (b)過去のセンサデータに基づいて予測を行うニューラルネットワーク(予測を行うための時間窓サイズを異にする。) (c)我々が開発した機能セットで作成された勾配強化木レグレッサ。 我々はカナダにある廃棄物燃料プラントで実世界のユースケースでモデルを開発しテストした。 私たちはそのアプローチを見つけた (c) アプローチしながら最良の結果を提供する b) 混合結果を提供し,n\"aive を一貫して上回る結果が得られなかった。

関連論文リスト

• Fine-Tuning Pre-trained Large Time Series Models for Prediction of Wind Turbine SCADA Data [6.296946118570559]
  本稿では,風力タービンから収集したSCADAデータの予測における,事前学習型大時系列モデルであるTimerの適用について検討する。 このモデルは、異なる特性を示す2つの風力発電所から得られたデータセットに基づいて微調整された。
  論文  参考訳（メタデータ） (2024-11-30T09:00:24Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks [2.147634833794939]
  Crud-induced Power Shift (CIPS) は加圧水炉の運用上の課題である。 本研究は、原子炉固有のキャリブレーションを組み込んだ組立レベルでCIPSインスタンスを予測するためのトップダウンアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-27T15:04:24Z)
• EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
  本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。 以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
  論文  参考訳（メタデータ） (2023-08-12T13:17:09Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Interaction models for remaining useful life estimation [0.49109372384514843]
  本論文は, センサの読み方に応じて, 産業機器の状態を制御している問題に対処する。 我々は,複数の特徴抽出ブロックを組み合わせたスケーラブルなモデルを構築する手法を提案した。 逐次センサ空間解析に基づく新しいモデルにより,C-MAPSSベンチマークにおける有用寿命推定のための最先端結果が得られた。
  論文  参考訳（メタデータ） (2023-01-10T18:23:29Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• CASU2Net: Cascaded Unification Network by a Two-step Early Fusion for Fault Detection in Offshore Wind Turbines [0.0]
  本稿では, 沖合風力タービンの故障検出のための, 核融合型深層学習モデル(CASU2Net)を提案する。 我々は5つのセンサとスライディングウインドウを用いて、センサから得られた生の時系列データに含まれる固有時間情報を利用する。 提案モデルでは,複数のセンサ変数間の非線形関係と,各センサの時間的依存性を利用して,故障検出モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-24T14:35:19Z)
• Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting [106.3504366501894]
  自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。 ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。 本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。 これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
  論文  参考訳（メタデータ） (2020-03-18T17:54:28Z)

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。