論文の概要: Accelerating Cavity Fault Prediction Using Deep Learning at Jefferson Laboratory

• arxiv url: http://arxiv.org/abs/2404.15829v1
• Date: Wed, 24 Apr 2024 12:05:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 19:20:39.603375
• Title: Accelerating Cavity Fault Prediction Using Deep Learning at Jefferson Laboratory
• Title（参考訳）: ジェファーソン研究室におけるディープラーニングを用いたキャビティ故障予測の高速化
• Authors: Monibor Rahman, Adam Carpenter, Khan Iftekharuddin, Chris Tennant,
• Abstract要約: 加速キャビティはジェファーソン研究所の連続電子ビーム加速器施設(CEBAF)の不可欠な部分である。 本研究では,緩やかに発達する空洞断層を予測するための深層学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.4218593777811082
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accelerating cavities are an integral part of the Continuous Electron Beam Accelerator Facility (CEBAF) at Jefferson Laboratory. When any of the over 400 cavities in CEBAF experiences a fault, it disrupts beam delivery to experimental user halls. In this study, we propose the use of a deep learning model to predict slowly developing cavity faults. By utilizing pre-fault signals, we train a LSTM-CNN binary classifier to distinguish between radio-frequency (RF) signals during normal operation and RF signals indicative of impending faults. We optimize the model by adjusting the fault confidence threshold and implementing a multiple consecutive window criterion to identify fault events, ensuring a low false positive rate. Results obtained from analysis of a real dataset collected from the accelerating cavities simulating a deployed scenario demonstrate the model's ability to identify normal signals with 99.99% accuracy and correctly predict 80% of slowly developing faults. Notably, these achievements were achieved in the context of a highly imbalanced dataset, and fault predictions were made several hundred milliseconds before the onset of the fault. Anticipating faults enables preemptive measures to improve operational efficiency by preventing or mitigating their occurrence.
• Abstract（参考訳）: 加速キャビティはジェファーソン研究所の連続電子ビーム加速器施設(CEBAF)の不可欠な部分である。 CEBAFの400以上のキャビティのうちのどれかが欠陥を経験すると、実験的なユーザーホールへのビームの送出を妨害する。 本研究では,緩やかに発達する空洞断層を予測するための深層学習モデルを提案する。 プリフォールト信号を利用してLSTM-CNNバイナリ分類器を訓練し,通常の動作中の高周波信号と差し迫った故障を示すRF信号とを識別する。 我々は、故障の信頼度を調整し、複数連続するウィンドウ基準を実装して、故障事象を識別し、偽陽性率を低くすることで、モデルを最適化する。 展開シナリオをシミュレートする加速キャビティから収集された実際のデータセットの分析から得られた結果は、モデルが正常な信号を99.99%の精度で識別し、ゆっくりと発達する断層の80%を正確に予測する能力を示している。 特に、これらの成果は高度に不均衡なデータセットの文脈で達成され、断層の開始前に数百ミリ秒の故障予測が行われた。 予測障害により、プリエンプティブ対策は、その発生を予防または緩和することで、運用効率を向上させることができる。

関連論文リスト

• An AI-Driven Approach to Wind Turbine Bearing Fault Diagnosis from Acoustic Signals [10.64491245858684]
  本研究では, 風力タービン発電機の軸受欠陥を音響信号から分類する深層学習モデルを開発した。 畳み込み型LSTMモデルを構築し, 事前定義された5種類の故障の音声データを用いて, トレーニングと検証を行った。 このモデルでは, トレーニングサンプルの精度が優れ, 検証中に優れた一般化能力を示した。
  論文  参考訳（メタデータ） (2024-03-14T01:46:30Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
  本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。 実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-12T18:36:02Z)
• Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features [0.0]
  過渡的な合成特徴を持つディープフィードフォワードネットワークに基づく断層診断手法を提案する。 平均断層診断精度は、過渡的な合成断層データに対して97.85%に達する。 オンライン断層診断実験により,本手法が故障IGBTを正確に検出できることが判明した。
  論文  参考訳（メタデータ） (2022-11-01T02:32:20Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Machine Learning for Continuous Quantum Error Correction on Superconducting Qubits [1.8249709209063887]
  連続的な量子誤差補正は離散的な量子誤差補正に対して一定の利点があることがわかった。 本稿では,繰り返しニューラルネットワークを用いた連続量子誤り訂正のための機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-20T05:13:37Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Designing Accurate Emulators for Scientific Processes using Calibration-Driven Deep Models [33.935755695805724]
  Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。 また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。 LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
  論文  参考訳（メタデータ） (2020-05-05T16:54:11Z)
• Understanding and Mitigating the Tradeoff Between Robustness and Accuracy [88.51943635427709]
  逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。 拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
  論文  参考訳（メタデータ） (2020-02-25T08:03:01Z)

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。