論文の概要: Fault detection in propulsion motors in the presence of concept drift

• arxiv url: http://arxiv.org/abs/2406.08030v1
• Date: Wed, 12 Jun 2024 09:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 17:34:43.238767
• Title: Fault detection in propulsion motors in the presence of concept drift
• Title（参考訳）: コンセプトドリフトの存在下での推進電動機の故障検出
• Authors: Martin Tveten, Morten Stakkeland,
• Abstract要約: 機械学習と統計的手法は、海洋システムにおける監視と故障予測を強化するために使用できる。 概念ドリフトと呼ばれる基盤システムの予期せぬ変化は、これらの手法の性能に影響を及ぼす可能性がある。 本研究では, コンセプトドリフト時の運転を成功させる水力推進電動機の固定子巻線における過熱検出手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning and statistical methods can be used to enhance monitoring and fault prediction in marine systems. These methods rely on a dataset with records of historical system behaviour, potentially containing periods of both fault-free and faulty operation. An unexpected change in the underlying system, called a concept drift, may impact the performance of these methods, triggering the need for model retraining or other adaptations. In this article, we present an approach for detecting overheating in stator windings of marine propulsion motors that is able to successfully operate during concept drift without the need for full model retraining. Two distinct approaches are presented and tested. All models are trained and verified using a dataset from operational propulsion motors, with known, sudden concept drifts.
• Abstract（参考訳）: 機械学習と統計的手法は、海洋システムにおける監視と故障予測を強化するために使用できる。 これらの手法は、過去のシステム動作の記録を持つデータセットに依存しており、フォールトフリーと欠陥操作の両方の期間を含む可能性がある。 概念ドリフトと呼ばれる基盤システムの予期せぬ変更は、これらの手法のパフォーマンスに影響を与え、モデルの再トレーニングや他の適応の必要性を引き起こす可能性がある。 本稿では, 完全モデル再訓練を必要とせず, コンセプトドリフト時に正常に動作可能な水力推進電動機のステータ巻線過熱検出手法を提案する。 2つの異なるアプローチが提示され、テストされる。 すべてのモデルは、運用用推進モーターのデータセットを使用してトレーニングされ、検証される。

関連論文リスト

• DriftGAN: Using historical data for Unsupervised Recurring Drift Detection [0.6358693097475243]
  実世界のアプリケーションでは、入力データ分布は、概念ドリフト(concept drift)として知られる現象として、一定期間にわたって静的であることが多い。 ほとんどの概念ドリフト検出方法は、概念ドリフトを検出し、モデルを再訓練する要求をシグナル伝達する。 本稿では,GAN(Generative Adversarial Networks)に基づく教師なしの手法を提案する。
  論文  参考訳（メタデータ） (2024-07-09T04:38:44Z)
• Controlled Training Data Generation with Diffusion Models [48.123126522294015]
  本稿では,教師あり学習のためのトレーニングデータを生成するために,テキスト・ツー・イメージ生成モデルを制御する手法を提案する。 本研究では,2つのフィードバック機構を備えたクローズドループシステムを開発した。
  論文  参考訳（メタデータ） (2024-03-22T15:59:24Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Unsupervised Unlearning of Concept Drift with Autoencoders [5.41354952642957]
  コンセプトドリフトは、将来のサンプルのデータストリームに影響を与えるデータ分散の変化を指す。 本稿では,世界レベルでの教師なしおよびモデルに依存しないドリフト適応手法を提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:52:49Z)
• A Hybrid Active-Passive Approach to Imbalanced Nonstationary Data Stream Classification [23.69287260989898]
  現実世界のアプリケーションでは、データを生成するプロセスは非定常効果に悩まされる可能性がある。 これらの変化は、しばしばコンセプトドリフトと呼ばれ、訓練された学習モデルに深刻な(潜在的に破滅的な)影響をもたらす可能性がある。 本稿では,概念の漂流を追跡・適応できる機械学習モデルとディープラーニングモデルを設計することを目的とする。
  論文  参考訳（メタデータ） (2022-10-10T18:36:45Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Autoregressive based Drift Detection Method [0.0]
  我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。 以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-09T14:36:16Z)
• Labelling Drifts in a Fault Detection System for Wind Turbine Maintenance [0.0]
  産業資産が運営する動的環境における非定常性は概念ドリフト(concept drift)として知られる。 本稿では, 風力タービンのメンテナンスケースについて述べる。 風力タービンの寿命におけるドリフト現象のラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T07:14:14Z)
• 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)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。