論文の概要: AI-driven Transformer Model for Fault Prediction in Non-Linear Dynamic Automotive System
- arxiv url: http://arxiv.org/abs/2408.12638v1
- Date: Thu, 22 Aug 2024 17:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-26 16:59:27.295733
- Title: AI-driven Transformer Model for Fault Prediction in Non-Linear Dynamic Automotive System
- Title（参考訳）: 非線形動車システムにおけるAI駆動型変圧器モデルによる故障予測
- Authors: Priyanka Kumar,
- Abstract要約: 本稿では,世界規模の非線形動的自動車システムにおけるAIに基づく故障分類と予測モデルを提案する。
モデルでは27の入力ディメンション、64の隠れディメンション、2つのレイヤ9のヘッドを使用して出力ヘッド(1つはフォールトフリーデータ、1つはフォールトフリーデータ、11はフォールトタイプ)を作成しました。
このモデルは5つのNVIDIA V100グラフィックカードを備えたUTSA Arc High-Performance Computeクラスタでトレーニングされ、保持されたテストセットで70.01 %の精度を達成した。
- 参考スコア（独自算出の注目度）: 2.7195102129095003
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fault detection in automotive engine systems is one of the most promising research areas. Several works have been done in the field of model-based fault diagnosis. Many researchers have discovered more advanced statistical methods and algorithms for better fault detection on any automotive dynamic engine system. The gas turbines/diesel engines produce highly complex and huge data which are highly non-linear. So, researchers should come up with an automated system that is more resilient and robust enough to handle this huge, complex data in highly non-linear dynamic automotive systems. Here, I present an AI-based fault classification and prediction model in the diesel engine that can be applied to any highly non-linear dynamic automotive system. The main contribution of this paper is the AI-based Transformer fault classification and prediction model in the diesel engine concerning the worldwide harmonic light vehicle test procedure (WLTP) driving cycle. This model used 27 input dimensions, 64 hidden dimensions with 2 layers, and 9 heads to create a classifier with 12 output heads (one for fault-free data and 11 different fault types). This model was trained on the UTSA Arc High-Performance Compute (HPC) cluster with 5 NVIDIA V100 GPUs, 40-core CPUs, and 384GB RAM and achieved 70.01 % accuracy on a held test set.
- Abstract（参考訳）: 自動車エンジンシステムの故障検出は最も有望な研究分野の一つである。
モデルに基づく故障診断の分野では、いくつかの研究がなされている。
多くの研究者が、より高度な統計手法とアルゴリズムを発見し、どんな自動車のダイナミックエンジンシステムでもより良い故障検出を行っている。
ガスタービン/ディーゼルエンジンは、非常に複雑で巨大なデータを生成し、それは非常に非線形である。
だから研究者たちは、この巨大で複雑なデータを非線形のダイナミックなシステムで扱えるほど、よりレジリエントで堅牢な自動化システムを考え出すべきだ。
本稿では,高非線形動車システムに適用可能な,AIに基づく故障分類・予測モデルをディーゼルエンジンに提示する。
本研究の主な貢献は,WLTP(Worldwide Harmon Light Vehicle Test procedure)の運転サイクルに関する,ディーゼルエンジンにおけるAIベースのトランスフォーマー故障分類と予測モデルである。
このモデルは27の入力次元、2つのレイヤーを持つ64の隠れ次元と9のヘッドを使用して、12の出力ヘッドを持つ分類器(1つはフォールトフリーデータ、1つはフォールトフリーデータ、11はフォールトタイプ)を作成しました。
このモデルは、5つのNVIDIA V100 GPU、40コアCPU、384GB RAMを持つUTSA Arc High-Performance Compute (HPC)クラスタでトレーニングされ、保持されたテストセットで70.01 %の精度を達成した。
関連論文リスト
- DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning [0.0]
本稿では,これらの課題を解決するための軽量軸受故障診断モデルDKDL-Netを提案する。
このモデルは、知識蒸留と低階適応微調整を分離することにより、CWRUデータセットに基づいて訓練される。
実験により、DKDL-Netは、モデル性能を維持しながら、テストセットにおける計算複雑性の99.48%の精度を達成することが示された。
論文 参考訳（メタデータ） (2024-06-10T09:09:08Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - Fault Diagnosis on Induction Motor using Machine Learning and Signal
Processing [0.0]
機械学習とSimulinkを用いた信号処理による誘導電動機故障の検出と同定について検討する。
誘導電動機の4つの故障(開回路故障、短回路故障、過負荷、破折ローターバー)を発生させた。
テストセットのモデルの精度を比較すると、決定木は92%の精度で最善を尽くしたと結論づけた。
論文 参考訳（メタデータ） (2024-01-27T14:12:42Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳（メタデータ） (2023-08-25T15:25:57Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - Physics-informed neural networks for predicting gas flow dynamics and
unknown parameters in diesel engines [0.0]
目的は、エンジンのダイナミクスを評価し、未知のパラメータを"平均値"モデルで識別し、メンテナンス要件を予測することである。
PINNモデルは可変形状ターボチャージャーと排気ガス再循環を備えたディーゼルエンジンに適用される。
本研究は、PINNモデルに加え、ディープニューラルネットワーク(DNN)の利用を検討する。
論文 参考訳（メタデータ） (2023-04-26T19:37:18Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - 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) - Identification of the nonlinear steering dynamics of an autonomous
vehicle [0.0]
現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。
関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。
ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
論文 参考訳（メタデータ） (2021-05-10T17:32:23Z) - Self-awareness in intelligent vehicles: Feature based dynamic Bayesian
models for abnormality detection [4.251384905163326]
本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。
車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。
協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
論文 参考訳（メタデータ） (2020-10-29T09:29:47Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z)
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。