論文の概要: Hard Sample Mining Enabled Supervised Contrastive Feature Learning for
Wind Turbine Pitch System Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2306.14701v2
- Date: Fri, 11 Aug 2023 03:39:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 16:31:59.514342
- Title: Hard Sample Mining Enabled Supervised Contrastive Feature Learning for
Wind Turbine Pitch System Fault Diagnosis
- Title（参考訳）: 風車ピッチシステムの故障診断のためのコントラスト特徴学習を可能にするハードサンプルマイニング
- Authors: Zixuan Wang, Bo Qin, Mengxuan Li, Chenlu Zhan, Mark D. Butala, Peng
Peng, Hongwei Wang
- Abstract要約: ピッチシステムにおける複数の健康状態は、それらを正確に分類する際の課題を引き起こす。
本稿では,ハードサンプルマイニングによる教師付きコントラスト学習に基づく新しい手法を提案する。
提案手法は, 故障診断性能の大幅な向上を示す。
- 参考スコア（独自算出の注目度）: 7.852044842211392
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The efficient utilization of wind power by wind turbines relies on the
ability of their pitch systems to adjust blade pitch angles in response to
varying wind speeds. However, the presence of multiple health conditions in the
pitch system due to the long-term wear and tear poses challenges in accurately
classifying them, thus increasing the maintenance cost of wind turbines or even
damaging them. This paper proposes a novel method based on hard sample
mining-enabled supervised contrastive learning (HSMSCL) to address this
problem. The proposed method employs cosine similarity to identify hard samples
and subsequently, leverages supervised contrastive learning to learn more
discriminative representations by constructing hard sample pairs. Furthermore,
the hard sample mining framework in the proposed method also constructs hard
samples with learned representations to make the training process of the
multilayer perceptron (MLP) more challenging and make it a more effective
classifier. The proposed approach progressively improves the fault diagnosis
model by introducing hard samples in the SCL and MLP phases, thus enhancing its
performance in complex multi-class fault diagnosis tasks.
To evaluate the effectiveness of the proposed method, two real datasets
comprising wind turbine pitch system cog belt fracture data are utilized. The
fault diagnosis performance of the proposed method is compared against existing
methods, and the results demonstrate its superior performance. The proposed
approach exhibits significant improvements in fault diagnosis performance,
providing promising prospects for enhancing the reliability and efficiency of
wind turbine pitch system fault diagnosis.
- Abstract（参考訳）: 風力タービンによる風力の効率的な利用は、風速の変化に応じてブレードピッチ角を調整するためのピッチシステムの能力に依存する。
しかし、長期間の摩耗や涙によるピッチシステムにおける複数の健康状態の存在は、それらを正確に分類することは困難であり、風力タービンのメンテナンスコストを増加させたり、損傷させたりする。
本稿では, ハードサンプルマイニング可能な教師付きコントラスト学習(HSMSCL)に基づく新しい手法を提案する。
提案手法は,コサイン類似性を用いてハードサンプルを同定し,その後,教師付きコントラスト学習を利用してハードサンプルペアを構築し,より識別的な表現を学習する。
さらに, 本手法のハードサンプルマイニングフレームワークは, 多層パーセプトロン(MLP)のトレーニングプロセスをより困難にし, より効果的に分類できるようにするために, 学習した表現を用いたハードサンプルを構築する。
提案手法は,SCL および MLP フェーズにハードサンプルを導入することにより,故障診断モデルを徐々に改善し,複雑なマルチクラス故障診断タスクの性能を向上させる。
提案手法の有効性を評価するために,風力タービンピッチシステムcogベルト破壊データを含む2つの実データを用いた。
提案手法の故障診断性能を既存手法と比較し,その優れた性能を示した。
提案手法は故障診断性能が大幅に向上し,風力タービンピッチシステム故障診断の信頼性向上と効率向上が期待できる。
関連論文リスト
- One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。
近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。
我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文 参考訳（メタデータ） (2024-08-14T11:47:22Z) - A Novel Transfer Learning Method Utilizing Acoustic and Vibration
Signals for Rotating Machinery Fault Diagnosis [12.631120583797518]
回転機械の故障診断は, 近代産業システムの安全性と安定性に重要な役割を担っている。
実世界の運用シナリオのデータとトレーニングデータの間には,分散の相違がある。
本稿では,この分布差に対処する音響信号と振動信号を用いた伝達学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-20T10:50:14Z) - BOOT: Data-free Distillation of Denoising Diffusion Models with
Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。
知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。
本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-06-08T20:30:55Z) - A Novel Correlation-optimized Deep Learning Method for Wind Speed
Forecast [12.61580086941575]
風力発電の設置率の増加は、世界的電力システムに大きな課題をもたらす。
深層学習は風速予測に徐々に応用される。
新しい認知と記憶ユニット(CMU)は、従来のディープラーニングフレームワークを強化するために設計されている。
論文 参考訳（メタデータ） (2023-06-03T02:47:46Z) - Learning Better with Less: Effective Augmentation for Sample-Efficient
Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。
サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。
本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文 参考訳（メタデータ） (2023-05-25T15:46:20Z) - A New Knowledge Distillation Network for Incremental Few-Shot Surface
Defect Detection [20.712532953953808]
本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。
提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。
Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-09-01T15:08:44Z) - Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-09T01:09:59Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-17T13:42:37Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ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） (2020-03-17T09:51:30Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。