論文の概要: Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines

• arxiv url: http://arxiv.org/abs/2411.02127v1
• Date: Mon, 04 Nov 2024 14:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:27:22.494498
• Title: Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines
• Title（参考訳）: 風力タービンの故障診断のための改良型伝達学習フレームワーク
• Authors: Kenan Weber, Christine Preisach,
• Abstract要約: 本稿では,異常空間で動作する風力タービンの故障診断のための教師ありトランスファー学習フレームワークを提案する。 異常空間内のデータは風力タービンの各コンポーネントの異常スコアと解釈でき、各値は直感的に理解できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Common challenges in fault diagnosis include the lack of labeled data and the need to build models for each domain, resulting in many models that require supervision. Transfer learning can help tackle these challenges by learning cross-domain knowledge. Many approaches still require at least some labeled data in the target domain, and often provide unexplainable results. To this end, we propose a supervised transfer learning framework for fault diagnosis in wind turbines that operates in an Anomaly-Space. This space was created using SCADA data and vibration data and was built and provided to us by our research partner. Data within the Anomaly-Space can be interpreted as anomaly scores for each component in the wind turbine, making each value intuitive to understand. We conducted cross-domain evaluation on the train set using popular supervised classifiers like Random Forest, Light-Gradient-Boosting-Machines and Multilayer Perceptron as metamodels for the diagnosis of bearing and sensor faults. The Multilayer Perceptron achieved the highest classification performance. This model was then used for a final evaluation in our test set. The results show, that the proposed framework is able to detect cross-domain faults in the test set with a high degree of accuracy by using one single classifier, which is a significant asset to the diagnostic team.
• Abstract（参考訳）: 障害診断における一般的な課題は、ラベル付きデータの欠如、各ドメインのモデルを構築する必要性などである。 トランスファーラーニングはドメイン間の知識を学ぶことでこれらの課題に取り組むのに役立つ。 多くのアプローチでは、ターゲットドメイン内の少なくともいくつかのラベル付きデータが必要であり、しばしば説明不能な結果を提供する。 そこで本研究では,異常空間で動作する風力タービンの故障診断のための教師ありトランスファー学習フレームワークを提案する。 この空間はSCADAデータと振動データを使って作られ、我々の研究パートナーによって構築され提供されました。 異常空間内のデータは風力タービンの各コンポーネントの異常スコアと解釈でき、各値は直感的に理解できる。 本研究は, ランダムフォレスト, ライトグラディエント・ブースティング・マシーン, マルチレイヤー・パーセプトロンなどの教師付き分類器を用いて, 列車セットのクロスドメイン評価を行い, 軸受・センサ故障診断のメタモデルとした。 マルチレイヤー・パーセプトロンは最高の分類性能を達成した。 このモデルをテストセットの最終評価に使用しました。 その結果,本フレームワークは,診断チームにとって重要な要素である1つの単一分類器を用いて,高い精度でテストセット内のクロスドメイン障害を検出することができることがわかった。

関連論文リスト

• Data Quality Monitoring through Transfer Learning on Anomaly Detection for the Hadron Calorimeters [0.36070136675401654]
  トランスファーラーニング(TL)メカニズムは、新しいタスクに事前訓練されたモデルを利用することで、データのスパーシリティとモデルの複雑さを軽減することを約束する。 CERNにおけるコンパクト・ムーン・ソレノイド実験におけるハドロン・カロリメータの異常検出におけるTLの可能性について述べる。 実験の結果,TLは対象のサブ検出器上でのモデル学習精度を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2024-08-29T15:19:06Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラ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） (2023-11-27T03:25:12Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Vibration Fault Diagnosis in Wind Turbines based on Automated Feature Learning [0.0]
  本稿では, 振動監視風車部品の高精度故障診断手法を提案する。 当社のアプローチは,畳み込みニューラルネットワークと孤立林に基づく,フォールトシグネチャの自律的データ駆動学習と健康状態分類を組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-01-31T18:08:43Z)
• Latent-Insensitive Autoencoders for Anomaly Detection and Class-Incremental Learning [0.0]
  我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。 本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
  論文  参考訳（メタデータ） (2021-10-25T16:53:49Z)
• 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)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
  近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。 遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。 実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-02-05T02:21:52Z)

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。