論文の概要: Anomaly detection in laser-guided vehicles' batteries: a case study
- arxiv url: http://arxiv.org/abs/2212.13513v1
- Date: Tue, 27 Dec 2022 15:16:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 15:46:36.385226
- Title: Anomaly detection in laser-guided vehicles' batteries: a case study
- Title（参考訳）: レーザー誘導車両用電池の異常検出 : 症例研究
- Authors: Gianfranco Lombardo (1), Stefano Cagnoni (1), Stefano Cavalli (1),
Juan Jos\'e Contreras Gonz\'ales (2), Francesco Monica (2), Monica Mordonini
(1), Michele Tomaiuolo (1) ((1) Dept. of Engineering and Architecture,
University of Parma, (2) Elettric80 spa, Reggio Emilia)
- Abstract要約: 本稿では,LGV(Laser-Guided Vehicles)電池の現状モニタリングに関する事例研究について述べる。
我々は,地域の高性能コンピューティングプラットフォームの構築と実証を目的としたSUPERプロジェクト(Supercomputing Unified Platform, Emilia Romagna)へのコントリビューションとして活動した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Detecting anomalous data within time series is a very relevant task in
pattern recognition and machine learning, with many possible applications that
range from disease prevention in medicine, e.g., detecting early alterations of
the health status before it can clearly be defined as "illness" up to
monitoring industrial plants. Regarding this latter application, detecting
anomalies in an industrial plant's status firstly prevents serious damages that
would require a long interruption of the production process. Secondly, it
permits optimal scheduling of maintenance interventions by limiting them to
urgent situations. At the same time, they typically follow a fixed prudential
schedule according to which components are substituted well before the end of
their expected lifetime. This paper describes a case study regarding the
monitoring of the status of Laser-guided Vehicles (LGVs) batteries, on which we
worked as our contribution to project SUPER (Supercomputing Unified Platform,
Emilia Romagna) aimed at establishing and demonstrating a regional
High-Performance Computing platform that is going to represent the main Italian
supercomputing environment for both computing power and data volume.
- Abstract（参考訳）: 時系列内の異常なデータを検出することは、パターン認識や機械学習において非常に重要なタスクであり、医学における病気の予防から、産業プラントの監視まで、明確に定義される前に健康状態の早期変化を検出するなど、多くの応用が考えられる。
この後者の応用について、工業プラントの状態の異常を検出することは、生産プロセスの長時間の中断を必要とする深刻な損傷を防ぐ。
第二に、緊急状況に限定することで、メンテナンス介入の最適なスケジューリングを可能にする。
同時に、彼らは典型的には、期待される寿命の終わり前に、コンポーネントが十分に置換される、固定された時間スケジュールに従う。
本報告では, レーザ誘導型車両(LGVs)電池の状況監視に関する事例研究を行い, 電力・データ量ともにイタリアの主要なスーパーコンピュータ環境である地域高性能コンピューティングプラットフォームの構築と実証を目的とした, SUPER(Supercomputing Unified Platform, Emilia Romagna)プロジェクトへのコントリビューションとして研究を行った。
関連論文リスト
- IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。
本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。
このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
論文 参考訳（メタデータ） (2024-04-23T13:38:01Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Condition monitoring and anomaly detection in cyber-physical systems [0.483420384410068]
本稿では,サイバー物理システムにおけるロバストで費用対効果の高い異常検出のための最近の機械学習手法の比較分析を行う。
監督された症例では,98%の精度でほぼ完全である。
対照的に、教師なし症例のベストケースの精度は63%であった。
論文 参考訳（メタデータ） (2023-01-22T00:58:01Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - 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) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Monitoring and Diagnosability of Perception Systems [21.25149064251918]
本稿では,認識システムにおける実行時モニタリングと故障検出と識別のための数学的モデルを提案する。
本稿では,LGSVL自動運転シミュレータとApollo Auto自動運転ソフトウェアスタックを用いた実写シミュレーションにおいて,PerSySと呼ばれるモニタリングシステムを実演する。
論文 参考訳（メタデータ） (2020-11-11T23:03:14Z) - Monitoring and Diagnosability of Perception Systems [21.25149064251918]
知覚は、ロボット工学や自動運転車などの自律システムの高統合的応用において重要な要素である。
知覚システムの重要さにもかかわらず、システムレベルのモニタリングには正式なアプローチは存在しない。
本稿では,認識システムの実行時モニタリングと故障検出のための数学的モデルを提案する。
論文 参考訳（メタデータ） (2020-05-24T18:09:46Z) - ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for
Time Series [0.27528170226206433]
本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。
ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。
実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-05T21:26:24Z) - A general anomaly detection framework for fleet-based condition
monitoring of machines [16.51849885526826]
機械の故障は時間とともに減少し、補修コストや人的被害や環境汚染につながる可能性がある。
近年の状況監視技術では,手作業による手作業の分析や手作業による特徴抽出を回避すべく,人工知能を用いている。
本研究は、フリートベースの条件監視のための教師なし、汎用的、異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2019-12-30T14:35:45Z)
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。