論文の概要: Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS
-based Approach for Terminal Air Handling Units
- arxiv url: http://arxiv.org/abs/2312.11405v1
- Date: Mon, 18 Dec 2023 18:08:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 19:08:01.527935
- Title: Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS
-based Approach for Terminal Air Handling Units
- Title（参考訳）: HVACシステムの故障検出のための教師なし学習:終端空調ユニットに対するOPTICSに基づくアプローチ
- Authors: Farivar Rajabi, J.J. McArthur
- Abstract要約: 本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。
この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。
その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
- 参考スコア（独自算出の注目度）: 1.0878040851638
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rise of AI-powered classification techniques has ushered in a new era for
data-driven Fault Detection and Diagnosis in smart building systems. While
extensive research has championed supervised FDD approaches, the real-world
application of unsupervised methods remains limited. Among these, cluster
analysis stands out for its potential with Building Management System data.
This study introduces an unsupervised learning strategy to detect faults in
terminal air handling units and their associated systems. The methodology
involves pre-processing historical sensor data using Principal Component
Analysis to streamline dimensions. This is then followed by OPTICS clustering,
juxtaposed against k-means for comparison. The effectiveness of the proposed
strategy was gauged using several labeled datasets depicting various fault
scenarios and real-world building BMS data. Results showed that OPTICS
consistently surpassed k-means in accuracy across seasons. Notably, OPTICS
offers a unique visualization feature for users called reachability distance,
allowing a preview of detected clusters before setting thresholds. Moreover,
according to the results, while PCA is beneficial for reducing computational
costs and enhancing noise reduction, thereby generally improving the clarity of
cluster differentiation in reachability distance. It also has its limitations,
particularly in complex fault scenarios. In such cases, PCA's dimensionality
reduction may result in the loss of critical information, leading to some
clusters being less discernible or entirely undetected. These overlooked
clusters could be indicative of underlying faults, and their obscurity
represents a significant limitation of PCA when identifying potential fault
lines in intricate datasets.
- Abstract（参考訳）: AIを用いた分類技術の台頭は、スマートビルディングシステムにおけるデータ駆動型障害検出と診断の新しい時代を幕開けた。
広範囲にわたる研究がfddアプローチの監督を支持しているが、教師なしの手法の現実世界での応用は限られている。
その中でも、クラスタ分析は、構築管理システムデータにおけるその可能性を示している。
本研究では,ターミナルエアハンドリングユニットとその関連システムの障害を検出するための教師なし学習戦略を提案する。
この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。
これに続いてOPTICSクラスタリングが行われ、比較のためにk-平均に対して並置される。
提案手法の有効性を,種々の障害シナリオと実世界のBMS構築データを示すラベル付きデータセットを用いて評価した。
その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
特にOPTICSは、到達可能性距離と呼ばれるユーザのためのユニークな視覚化機能を提供し、しきい値を設定する前に検出されたクラスタのプレビューを可能にする。
さらに,PCAは計算コストの低減とノイズ低減に有効であり,これにより,到達距離におけるクラスタ分化の明確性の向上が図られる。
また、特に複雑な障害シナリオでは、その制限がある。
そのような場合、pcaの次元的縮小は重要な情報を失う結果となり、いくつかのクラスターは識別不能または完全に検出されない。
これらの見過ごされたクラスタは、基盤となる障害を示す可能性があり、その不明瞭さは、複雑なデータセットの潜在的な障害線を特定する際のPCAの重大な制限を表している。
関連論文リスト
- DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳（メタデータ） (2024-05-13T13:47:15Z) - Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。
このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。
本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
論文 参考訳（メタデータ） (2024-02-07T21:58:40Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳（メタデータ） (2023-06-26T06:45:16Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - Federated Learning with Uncertainty-Based Client Clustering for
Fleet-Wide Fault Diagnosis [5.684489493030555]
フェデレートラーニングは、複数のオペレータのデータセットを活用して分散化されたアセット障害診断モデルをトレーニングする、有望なソリューションとして登場した。
本稿では、データセットの類似性に基づいて、クライアントをフェデレーション用にクラスタリングする新しいクラスタリングベースのFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-26T04:23:59Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳（メタデータ） (2020-09-15T02:01:47Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-23T13:16:34Z) - 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。