論文の概要: A Hybrid Feature Selection and Construction Method for Detection of Wind
Turbine Generator Heating Faults
- arxiv url: http://arxiv.org/abs/2306.09491v1
- Date: Thu, 15 Jun 2023 20:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 15:48:14.024313
- Title: A Hybrid Feature Selection and Construction Method for Detection of Wind
Turbine Generator Heating Faults
- Title(参考訳): 風力タービン発電機の加熱故障検出のためのハイブリッド特徴選択と構築法
- Authors: Ayse Gokcen Kavaz, Burak Barutcu
- Abstract要約: 本稿では,風力タービン発電機の暖房故障検出のための特徴選択と施工手法を提案する。
データ収集システムから直接収集された特徴は、風の特性、運用データ、温度測定、ステータス情報から成っている。
障害のより強力な兆候となる情報を得るために、機能構築のステップで新しい機能が作成されました。
その結果,提案手法は,特に誤報の件数を減少させる点において,より信頼性の高い故障検出システムに寄与することが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Preprocessing of information is an essential step for the effective design of
machine learning applications. Feature construction and selection are powerful
techniques used for this aim. In this paper, a feature selection and
construction approach is presented for the detection of wind turbine generator
heating faults. Data were collected from Supervisory Control and Data
Acquisition (SCADA) system of a wind turbine. The original features directly
collected from the data collection system consist of wind characteristics,
operational data, temperature measurements and status information. In addition
to these original features, new features were created in the feature
construction step to obtain information that can be more powerful indications
of the faults. After the construction of new features, a hybrid feature
selection technique was implemented to find out the most relevant features in
the overall set to increase the classification accuracy and decrease the
computational burden. Feature selection step consists of filter and
wrapper-based parts. Filter based feature selection was applied to exclude the
features which are non-discriminative and wrapper-based method was used to
determine the final features considering the redundancies and mutual relations
amongst them. Artificial Neural Networks were used both in the detection phase
and as the induction algorithm of the wrapper-based feature selection part. The
results show that, the proposed approach contributes to the fault detection
system to be more reliable especially in terms of reducing the number of false
fault alarms.
- Abstract(参考訳): 情報の事前処理は、機械学習アプリケーションの効果的な設計に不可欠なステップである。
特徴構築と選択は、この目的のために使用される強力な技術である。
本稿では,風力タービン発電機の加熱故障を検出するための特徴選択と構築手法を提案する。
風力タービンのSCADA(Supervisory Control and Data Acquisition)システムからデータを収集した。
データ収集システムから直接収集された特徴は、風の特性、運用データ、温度測定、ステータス情報から成っている。
これらの機能に加えて、新機能は機能構築ステップで作成され、より強力な障害の兆候となる情報を得ることができた。
新機能の構築後, 分類精度の向上と計算負荷低減のために, 全体において最も関連する特徴を見出すために, ハイブリッド特徴選択手法が実装された。
特徴選択ステップはフィルタとラッパーベースの部品で構成される。
識別不能な特徴を除外するためにフィルタベースの特徴選択を適用し,それらの冗長性と相互関係を考慮した最終特徴をラッパーベースで決定した。
検出フェーズとラッパーに基づく特徴選択部の誘導アルゴリズムの両方に人工ニューラルネットワークが用いられた。
その結果, 提案手法は, 故障検知システムにおいて, 特に誤報の数を減らすことで, 信頼性の向上に寄与することがわかった。
関連論文リスト
- Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳(メタデータ) (2024-03-06T16:31:56Z) - A Performance-Driven Benchmark for Feature Selection in Tabular Deep
Learning [131.2910403490434]
データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。
既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。
変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。
また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
論文 参考訳(メタデータ) (2023-11-10T05:26:10Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - Detection and classification of faults aimed at preventive maintenance
of PV systems [0.07388859384645262]
PVシステムの診断は、障害を検出し、発見し、特定することを目的としている。
本稿ではランダムフォレスト(RF)アルゴリズムに基づく革新的なアプローチを提案する。
論文 参考訳(メタデータ) (2023-06-13T07:44:47Z) - Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。
本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文 参考訳(メタデータ) (2022-11-02T16:35:14Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Automatic Detection of Rail Components via A Deep Convolutional
Transformer Network [7.557470133155959]
レール,クリップ,ボルトを含む多種鉄道部品を検出するための深層畳み込み変圧器ネットワーク方式を提案する。
提案手法は,アンカーボックス,アスペクト比,デフォルト座標,後処理などの事前設定を不要にすることで,検出パイプラインを単純化する。
総合的な計算結果から,提案手法は既存の最先端手法よりも大きなマージンを持つことを示す。
論文 参考訳(メタデータ) (2021-08-05T07:38:04Z) - Pulsars Detection by Machine Learning with Very Few Features [5.598468451834693]
パルサー検出のための機械学習(ML)手法に基づくスキームの検討は活発なトピックである。
検出性能を向上させるためには,MLモデルへの入力特徴を具体的に検討する必要がある。
論文 参考訳(メタデータ) (2020-02-20T01:26:42Z)
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。