論文の概要: Transfer learning applications for anomaly detection in wind turbines
- arxiv url: http://arxiv.org/abs/2404.03011v1
- Date: Wed, 3 Apr 2024 18:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 18:44:36.519288
- Title: Transfer learning applications for anomaly detection in wind turbines
- Title（参考訳）: 風力タービンの異常検出のための伝達学習応用
- Authors: Cyriana M. A. Roelofs, Christian Gück, Stefan Faulstich,
- Abstract要約: 風力タービンの異常検出は通常、異常を早期に検出するために通常の挙動モデルを使用する。
本研究では, 自動エンコーダによる異常検出において, 橋渡し学習をいかに応用できるかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection in wind turbines typically involves using normal behaviour models to detect faults early. However, training autoencoder models for each turbine is time-consuming and resource intensive. Thus, transfer learning becomes essential for wind turbines with limited data or applications with limited computational resources. This study examines how cross-turbine transfer learning can be applied to autoencoder-based anomaly detection. Here, autoencoders are combined with constant thresholds for the reconstruction error to determine if input data contains an anomaly. The models are initially trained on one year's worth of data from one or more source wind turbines. They are then fine-tuned using smaller amounts of data from another turbine. Three methods for fine-tuning are investigated: adjusting the entire autoencoder, only the decoder, or only the threshold of the model. The performance of the transfer learning models is compared to baseline models that were trained on one year's worth of data from the target wind turbine. The results of the tests conducted in this study indicate that models trained on data of multiple wind turbines do not improve the anomaly detection capability compared to models trained on data of one source wind turbine. In addition, modifying the model's threshold can lead to comparable or even superior performance compared to the baseline, whereas fine-tuning the decoder or autoencoder further enhances the models' performance.
- Abstract（参考訳）: 風力タービンの異常検出は通常、異常を早期に検出するために通常の挙動モデルを使用する。
しかし、各タービンのオートエンコーダモデルの訓練には時間とリソースが費やされている。
したがって、伝達学習は限られたデータを持つ風力タービンや限られた計算資源を持つ応用にとって必須となる。
本研究では, 自動エンコーダによる異常検出において, 橋渡し学習をいかに応用できるかを検討する。
ここでは、入力データが異常を含むか否かを判断するために、オートエンコーダと再構成誤差のしきい値が組み合わされる。
モデルは当初、1年分の1の風力タービンからのデータに基づいて訓練されている。
その後、他のタービンからの少ない量のデータを使って微調整される。
オートエンコーダ全体,デコーダのみ,あるいはモデルのしきい値のみを調整する3つの微調整方法について検討した。
伝達学習モデルの性能は、目標風力タービンから1年分のデータに基づいてトレーニングされたベースラインモデルと比較される。
本研究では,複数の風力タービンのデータに基づいてトレーニングしたモデルでは,1つの風力タービンのデータに基づいてトレーニングしたモデルと比較して,異常検出能力が向上しないことを示す。
さらに、モデルのしきい値を変更することで、ベースラインに比べて同等またはそれ以上の性能が向上する一方、デコーダやオートエンコーダの微調整により、モデルのパフォーマンスがさらに向上する。
関連論文リスト
- Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。
我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。
適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
論文 参考訳（メタデータ） (2024-06-24T23:00:58Z) - Prediction of wind turbines power with physics-informed neural networks
and evidential uncertainty quantification [2.126171264016785]
物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。
パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
論文 参考訳（メタデータ） (2023-07-27T07:58:38Z) - An XAI framework for robust and transparent data-driven wind turbine
power curve models [0.8547032097715571]
風力タービン動力曲線モデルは周囲の条件をタービン出力に変換する。
近年、複雑化する機械学習手法がこのタスクの最先端となっている。
本稿では,データ駆動パワーカーブモデルから得られた戦略を検証し,検証するための説明可能な人工知能フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-19T17:37:58Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Modeling Wind Turbine Performance and Wake Interactions with Machine
Learning [0.0]
SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。
データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。
風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
論文 参考訳（メタデータ） (2022-12-02T23:07:05Z) - Anomaly Detection of Wind Turbine Time Series using Variational
Recurrent Autoencoders [0.0]
風力タービンのブレードの氷の蓄積は、異常な回転や回転を全く記述しない原因となる。
提案手法は,まず,変化型リカレントオートエンコーダ(VRAE)を用いて時系列の低次元表現を学習し,次に,教師なしクラスタリングアルゴリズムを用いて,学習した表現を正規(氷の蓄積なし)あるいは異常(氷の蓄積なし)として分類する。
論文 参考訳（メタデータ） (2021-12-05T03:41:59Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Efficient Vision Transformers via Fine-Grained Manifold Distillation [96.50513363752836]
視覚変換器のアーキテクチャは多くのコンピュータビジョンタスクで異常な性能を示した。
ネットワーク性能は向上するが、トランスフォーマーはより多くの計算資源を必要とすることが多い。
本稿では,教師のトランスフォーマーから,画像と分割パッチの関係を通して有用な情報を抽出することを提案する。
論文 参考訳（メタデータ） (2021-07-03T08:28:34Z) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳（メタデータ） (2021-07-01T13:13:24Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA
data [0.0]
本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。
本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。
3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
論文 参考訳（メタデータ） (2021-01-20T00:46:52Z)
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。