論文の概要: Fault Prognosis in Particle Accelerator Power Electronics Using Ensemble Learning

• arxiv url: http://arxiv.org/abs/2209.15570v1
• Date: Fri, 30 Sep 2022 16:30:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 17:01:18.901362
• Title: Fault Prognosis in Particle Accelerator Power Electronics Using Ensemble Learning
• Title（参考訳）: アンサンブル学習による粒子加速器パワーエレクトロニクスの故障予後
• Authors: Majdi I. Radaideh, Chris Pappas, Mark Wezensky, Pradeep Ramuhalli, Sarah Cousineau
• Abstract要約: 早期の故障検出と故障の予後は、複雑なエンジニアリングシステムの効率的かつ安全な運用を保証するために不可欠である。 本研究では,スカラー化中性子源(SNS)とそのパワーエレクトロニクスに関する21の故障予後実験を行った。 多様なモデルの複数の層を特徴とする階層的な投票アンサンブルは、断層前駆体を早期に検出する際、優れた性能を維持している。
• 参考スコア（独自算出の注目度）: 0.755972004983746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early fault detection and fault prognosis are crucial to ensure efficient and safe operations of complex engineering systems such as the Spallation Neutron Source (SNS) and its power electronics (high voltage converter modulators). Following an advanced experimental facility setup that mimics SNS operating conditions, the authors successfully conducted 21 fault prognosis experiments, where fault precursors are introduced in the system to a degree enough to cause degradation in the waveform signals, but not enough to reach a real fault. Nine different machine learning techniques based on ensemble trees, convolutional neural networks, support vector machines, and hierarchical voting ensembles are proposed to detect the fault precursors. Although all 9 models have shown a perfect and identical performance during the training and testing phase, the performance of most models has decreased in the prognosis phase once they got exposed to real-world data from the 21 experiments. The hierarchical voting ensemble, which features multiple layers of diverse models, maintains a distinguished performance in early detection of the fault precursors with 95% success rate (20/21 tests), followed by adaboost and extremely randomized trees with 52% and 48% success rates, respectively. The support vector machine models were the worst with only 24% success rate (5/21 tests). The study concluded that a successful implementation of machine learning in the SNS or particle accelerator power systems would require a major upgrade in the controller and the data acquisition system to facilitate streaming and handling big data for the machine learning models. In addition, this study shows that the best performing models were diverse and based on the ensemble concept to reduce the bias and hyperparameter sensitivity of individual models.
• Abstract（参考訳）: 早期故障検出と故障の予後は、スペンレーション中性子源(SNS)やパワーエレクトロニクス(高電圧コンバータ変調器)のような複雑なエンジニアリングシステムの効率と安全性を確保するために重要である。 SNSの動作条件を模倣する先進的な実験施設の整備に続いて、著者らは21の故障予後実験を成功させ、そこでは、波形信号の劣化を引き起こすのに十分な程度に障害前駆体がシステムに導入されるが、実際の故障に到達するには不十分である。 故障前兆を検出するために,アンサンブルツリー,畳み込みニューラルネットワーク,サポートベクターマシン,階層的投票アンサンブルに基づく9つの機械学習手法を提案する。 トレーニングとテストのフェーズでは、すべての9モデルが完璧で同一のパフォーマンスを示したが、21の実験から実世界のデータに触れると、ほとんどのモデルのパフォーマンスは、予後のフェーズで低下した。 多様なモデルの複数層を特徴とする階層的投票アンサンブルは、95%の成功率(20/21テスト)で障害前兆を早期に検出し、次いで52%と48%の成功率でアダブーストと極端にランダム化された木が続いた。 サポートベクターマシンモデルは24%の成功率(5/21テスト)で最悪だった。 この研究は、SNSや粒子加速器システムにおける機械学習の実装が成功すれば、機械学習モデルのビッグデータのストリーミングと処理を容易にするために、コントローラとデータ取得システムに大きなアップグレードが必要になると結論付けた。 さらに本研究は,個々のモデルのバイアスとハイパーパラメータの感度を低減させるアンサンブルの概念に基づいて,最善のモデルが多様であることを示した。

関連論文リスト

• Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。 提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
  論文  参考訳（メタデータ） (2024-06-05T04:28:57Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN [5.381374943525773]
  欠陥検出は、鉄道システムの信頼性を確保するために不可欠である。 現在のアプローチは、CNNのような単一のディープラーニングモデルに依存している。 再利用可能なAI対応欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T19:45:55Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
  本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。 提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
  論文  参考訳（メタデータ） (2023-04-13T08:30:46Z)
• Learning From High-Dimensional Cyber-Physical Data Streams for Diagnosing Faults in Smart Grids [4.616703548353371]
  サイバー物理電力システムにおける故障診断は、データ品質に影響される。 これらのシステムは、過剰な計算コストでシステムを過大評価する大量のデータを生成する。 本稿では,機能工学が上記の課題を緩和する効果について述べる。
  論文  参考訳（メタデータ） (2023-03-15T01:21:50Z)
• PreFallKD: Pre-Impact Fall Detection via CNN-ViT Knowledge Distillation [8.667056236149918]
  本稿では,CNN-ViT の知識蒸留,すなわち PreFallKD を用いて,検出性能と計算複雑性のバランスをとるために,新しい影響前の転倒検出法を提案する。 提案したPreFallKDは,事前学習した教師モデルから生徒モデルに検出知識を伝達する。 実験の結果、PreFallKDは試験期間中に学生モデルを強化し、信頼度の高いF1スコア(92.66%)とリードタイム(551.3ms)を達成することが示された。
  論文  参考訳（メタデータ） (2023-03-07T03:46:53Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。