論文の概要: Optimizing a Digital Twin for Fault Diagnosis in Grid Connected
Inverters -- A Bayesian Approach
- arxiv url: http://arxiv.org/abs/2212.03564v1
- Date: Wed, 7 Dec 2022 10:44:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 17:26:54.679803
- Title: Optimizing a Digital Twin for Fault Diagnosis in Grid Connected
Inverters -- A Bayesian Approach
- Title(参考訳): グリッド接続インバータの故障診断のためのディジタルツインの最適化 -ベイズ的アプローチ-
- Authors: Pavol Mulinka, Subham Sahoo, Charalampos Kalalas, Pedro H. J. Nardelli
- Abstract要約: 我々は、限られたデータで柔軟な実装を可能にするデジタルツインのオンライン最適化に向けた我々の取り組みをチャネル化します。
分類性能評価には,仮想同期発電機(VSG)制御グリッドフォーミングコンバータの異なる故障事例を検討する。
我々の研究結果は、デジタルツイン設計によって達成された精度と忠実度の増加を明らかにします。
- 参考スコア(独自算出の注目度): 5.335631208278852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a hyperparameter tuning based Bayesian optimization of digital
twins is carried out to diagnose various faults in grid connected inverters. As
fault detection and diagnosis require very high precision, we channelize our
efforts towards an online optimization of the digital twins, which, in turn,
allows a flexible implementation with limited amount of data. As a result, the
proposed framework not only becomes a practical solution for model versioning
and deployment of digital twins design with limited data, but also allows
integration of deep learning tools to improve the hyperparameter tuning
capabilities. For classification performance assessment, we consider different
fault cases in virtual synchronous generator (VSG) controlled grid-forming
converters and demonstrate the efficacy of our approach. Our research outcomes
reveal the increased accuracy and fidelity levels achieved by our digital twin
design, overcoming the shortcomings of traditional hyperparameter tuning
methods.
- Abstract(参考訳): 本稿では,グリッド接続インバータの様々な故障を診断するために,ハイパーパラメータチューニングに基づくディジタルツインのベイズ最適化を行う。
障害検出と診断は非常に高い精度を必要とするため、デジタル双生児のオンライン最適化に向けた取り組みを軸に、限られたデータ量で柔軟な実装を可能にします。
その結果、提案フレームワークは、限られたデータを持つディジタルツインの設計のモデルバージョニングやデプロイの実用的なソリューションとなるだけでなく、ディープラーニングツールの統合により、ハイパーパラメータチューニング機能を改善することができる。
分類性能評価では,仮想同期発電機(VSG)制御グリッドフォーミングコンバータの異なる故障事例について検討し,本手法の有効性を実証する。
我々の研究結果は、従来のハイパーパラメータチューニング手法の欠点を克服し、ディジタルツイン設計によって達成された精度と忠実度の向上を明らかにした。
関連論文リスト
- Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳(メタデータ) (2024-06-29T02:40:28Z) - Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳(メタデータ) (2023-11-06T22:13:10Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Enhanced multi-fidelity modelling for digital twin and uncertainty
quantification [0.0]
データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。
利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。
本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-26T05:58:17Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。
予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。
7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
論文 参考訳(メタデータ) (2023-02-17T06:59:45Z) - Digital Twin Data Modelling by Randomized Orthogonal Decomposition and Deep Learning [0.0]
デジタルツインは、元のプロセスの振る舞いを反映する主な特徴を持つ代理モデルである。
本稿では,流体の効率的なディジタル双対モデルを作成するための新しい枠組みを提案する。
我々は、最先端の人工知能Deep Learning(DL)を用いて、ディジタルツインモデルのリアルタイム適応キャリブレーションを行う。
論文 参考訳(メタデータ) (2022-06-17T09:45:04Z) - BiT: Robustly Binarized Multi-distilled Transformer [36.06192421902272]
実測精度の高いバイナライズトランスフォーマーモデルを開発し,5.9%の精度で完全精度のBERTベースラインにアプローチする。
これらのアプローチにより、事実上の精度で完全に双対化されたトランスフォーマーモデルが5.9%の精度で完全精度のBERTベースラインに近づいた。
論文 参考訳(メタデータ) (2022-05-25T19:01:54Z) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳(メタデータ) (2021-06-02T05:03:38Z) - Evidence-based Prescriptive Analytics, CAUSAL Digital Twin and a
Learning Estimation Algorithm [0.0]
本稿ではCausalityとCausal Graphsの基礎を説明し,LCDT(Learning Causal Digital Twin)ソリューションを開発した。
LCDTは学習用デジタルツインであり、パラメータは最小限の設定でオンラインでオンラインで学習されるため、デジタルツインのデプロイ作業は大幅に単純化される。
論文 参考訳(メタデータ) (2021-04-12T21:30:53Z) - Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and
Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。
本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。
この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-05-21T06:11:33Z)
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。