Fugu-MT 論文翻訳(概要): A novel fault localization with data refinement for hydroelectric units

論文の概要: A novel fault localization with data refinement for hydroelectric units

arxiv url: http://arxiv.org/abs/2405.19665v1
Date: Thu, 30 May 2024 03:33:49 GMT
ステータス: 処理完了
システム内更新日: 2024-05-31 18:16:37.141167
Title: A novel fault localization with data refinement for hydroelectric units
Title（参考訳）: 水力発電ユニットのデータ改質による新しい断層定位法
Authors: Jialong Huang, Junlin Song, Penglong Lian, Mengjie Gan, Zhiheng Su, Benhao Wang, Wenji Zhu, Xiaomin Pu, Jianxiao Zou, Shicai Fan,
Abstract要約: スパースオートエンコーダ(SAE)-生成逆数ネットワーク(GAN)-ウェーブレット雑音低減(WNR)-多様体ブースト深層学習(SG-WMBDL)に基づくフォールトローカライゼーション手法を提案する。非線形および非滑らかな特性を含む信号を考慮すると、軟弱しきい値と局所線形埋め込み(LLE)を併用した改良WNRが利用される。実験の結果,SG-WMBDLは,他のフロンティア法と比較して高精度かつ高精度に水力発電ユニットの故障を見つけることができることがわかった。
参考スコア（独自算出の注目度）: 0.8847676725602007
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the scarcity of fault samples and the complexity of non-linear and non-smooth characteristics data in hydroelectric units, most of the traditional hydroelectric unit fault localization methods are difficult to carry out accurate localization. To address these problems, a sparse autoencoder (SAE)-generative adversarial network (GAN)-wavelet noise reduction (WNR)- manifold-boosted deep learning (SG-WMBDL) based fault localization method for hydroelectric units is proposed. To overcome the data scarcity, a SAE is embedded into the GAN to generate more high-quality samples in the data generation module. Considering the signals involving non-linear and non-smooth characteristics, the improved WNR which combining both soft and hard thresholding and local linear embedding (LLE) are utilized to the data preprocessing module in order to reduce the noise and effectively capture the local features. In addition, to seek higher performance, the novel Adaptive Boost (AdaBoost) combined with multi deep learning is proposed to achieve accurate fault localization. The experimental results show that the SG-WMBDL can locate faults for hydroelectric units under a small number of fault samples with non-linear and non-smooth characteristics on higher precision and accuracy compared to other frontier methods, which verifies the effectiveness and practicality of the proposed method.
Abstract（参考訳）: 水力発電ユニットにおける断層試料の不足と非線形・非平滑特性データの複雑さのため、従来の水力発電ユニットの断層定位法のほとんどは正確な位置決めを行うのが困難である。これらの問題に対処するために, 疎自己エンコーダ(SAE)-生成逆数ネットワーク(GAN)-ウェーブレット雑音低減(WNR)-多様体型深層学習(SG-WMBDL)に基づく水力発電ユニットの故障局所化法を提案する。データ不足を克服するため、SAEはGANに埋め込まれ、データ生成モジュールでより高品質なサンプルを生成する。非線形および非滑らかな特性を含む信号を考慮すると、軟弱しきい値と局所線形埋め込み(LLE)を併用した改良WNRをデータ前処理モジュールに利用することにより、ノイズを低減し、局所的な特徴を効果的に捉えることができる。さらに, 高い性能を求めるために, 複数深度学習を併用した小説Adaptive Boost (AdaBoost) を提案する。実験結果から,SG-WMBDLは,他のフロンティア法と比較して高精度かつ高精度な非直線・非平滑特性を有する少数の断層試料の下で,水力発電ユニットの断層を見つけることができ,本手法の有効性と実用性を確認した。

関連論文リスト

Towards Interpretable Deep Local Learning with Successive Gradient Reconciliation [70.43845294145714]
グローバルバックプロパゲーション(BP)に対するニューラルネットワークトレーニングの信頼性の回復が、注目すべき研究トピックとして浮上している。本稿では,隣接モジュール間の勾配調整を連続的に調整する局所的学習戦略を提案する。提案手法はローカルBPとBPフリー設定の両方に統合できる。
論文参考訳（メタデータ） (2024-06-07T19:10:31Z)
Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data [3.265784083548797]
本稿では,障害検出と分離のための新しい教師なし深層学習手法として,GAWNO(Generative Adversarial Wavelet Neural operator)を提案する。最初の段階では、GAWNOは通常の運用条件のデータセットに基づいてトレーニングされ、基礎となるデータ分布を学習する。第2段階では, 差分値に基づいて故障を検出し, 分離するために, 再構成誤差に基づくしきい値法を用いる。
論文参考訳（メタデータ） (2024-01-08T16:36:47Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Implicit regularization via soft ascent-descent [7.335712499936906]
最小限のトライアル・アンド・エラーで、より優れたオフサンプル一般化を実現する方法を示す。我々は,軟弱化機構であるSoftADを提案し,下降重みが境界線を指差し,外れ値の影響を制限し,昇華・昇華効果を維持する。私たちの経験的テストは、平面上の単純なバイナリ分類から、数百万のパラメータを持つニューラルネットワークを用いた画像分類まで様々です。
論文参考訳（メタデータ） (2023-10-16T02:02:56Z)
Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
論文参考訳（メタデータ） (2023-08-02T07:23:50Z)
Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-31T03:14:44Z)
A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-01-29T23:31:25Z)
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)
Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文参考訳（メタデータ） (2021-04-13T17:54:33Z)
Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge [0.0]
室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
論文参考訳（メタデータ） (2020-11-30T10:52:21Z)
EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending Semi-Supervised Data Streams -- With Application to Power Quality Disturbance Detection and Classification [0.0]
障害のリアルタイム検出と分類は、業界標準に欠かせないものと考えられている。半教師付き外乱検出・分類のための進化型ガウスファジィ分類フレームワークを提案する。オンラインデータストリームベースのEGFC法は、絶え間ないデータストリームから障害パターンを自律的に学習することができる。
論文参考訳（メタデータ） (2020-04-17T07:08:17Z)

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。