論文の概要: Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2411.10765v1
• Date: Sat, 16 Nov 2024 10:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:35.443957
• Title: Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder
• Title（参考訳）: 蒸気タービン異常検出:長期記憶変動オートエンコーダを用いた教師なし学習手法
• Authors: Weiming Xu, Peng Zhang,
• Abstract要約: ラベルなしデータセットの精度の高い教師なし異常検出のためのELSTMVAE-DAF-GMM(ELSTMVAE-DAF-GMM)を提案する。 VAEとLSTMを統合したELSTMVAEは,低次元位相空間に高次元時系列データを投影するために用いられた。 新たなDAF(Deep Advanced Feature)は、LSTMVAEモデルから遅延埋め込みと再構成の相違をハイブリダイズし、より包括的なデータ表現を提供する。
• 参考スコア（独自算出の注目度）: 3.004788114489393
• License:
• Abstract: As core thermal power generation equipment, steam turbines incur significant expenses and adverse effects on operation when facing interruptions like downtime, maintenance, and damage. Accurate anomaly detection is the prerequisite for ensuring the safe and stable operation of steam turbines. However, challenges in steam turbine anomaly detection, including inherent anomalies, lack of temporal information analysis, and high-dimensional data complexity, limit the effectiveness of existing methods. To address these challenges, we proposed an Enhanced Long Short-Term Memory Variational Autoencoder using Deep Advanced Features and Gaussian Mixture Model (ELSTMVAE-DAF-GMM) for precise unsupervised anomaly detection in unlabeled datasets. Specifically, LSTMVAE, integrating LSTM with VAE, was used to project high-dimensional time-series data to a low-dimensional phase space. The Deep Autoencoder-Local Outlier Factor (DAE-LOF) sample selection mechanism was used to eliminate inherent anomalies during training, further improving the model's precision and reliability. The novel deep advanced features (DAF) hybridize latent embeddings and reconstruction discrepancies from the LSTMVAE model and provide a more comprehensive data representation within a continuous and structured phase space, significantly enhancing anomaly detection by synergizing temporal dynamics with data pattern variations. These DAF were incorporated into GMM to ensure robust and effective unsupervised anomaly detection. We utilized real operating data from industry steam turbines and conducted both comparison and ablation experiments, demonstrating superior anomaly detection outcomes characterized by high accuracy and minimal false alarm rates compared with existing methods.
• Abstract（参考訳）: 核となる火力発電装置として、蒸気タービンはダウンタイム、メンテナンス、損傷といった中断に直面した際の運用に多大な費用と悪影響を及ぼす。 正確な異常検出は蒸気タービンの安全かつ安定した運転を保証するための前提条件である。 しかし、蒸気タービン異常検出の課題は、固有の異常、時間的情報分析の欠如、高次元データ複雑さなどであり、既存の手法の有効性を制限している。 これらの課題に対処するために、ラベルなしデータセットの正確な教師なし異常検出のために、Deep Advanced Features and Gaussian Mixture Model (ELSTMVAE-DAF-GMM) を用いた拡張長短期記憶変分オートエンコーダを提案する。 具体的には,低次元位相空間に高次元時系列データを投影するためにLSTMとVOEを統合するLSTMVAEを用いた。 Deep Autoencoder-Local Outlier Factor (DAE-LOF) サンプル選択機構は、トレーニング中に固有の異常を排除し、モデルの精度と信頼性をさらに向上するために使用された。 LSTMVAEモデルから遅延埋め込みと再構成の相違をハイブリダイズし、連続的かつ構造化された位相空間内でより包括的なデータ表現を提供し、データパターンの変動を相乗化することによって異常検出を大幅に強化する。 これらのDAFは、堅牢で効果的な教師なしの異常検出を保証するため、GMMに組み込まれた。 産業用蒸気タービンの実際の運転データを利用して, 比較およびアブレーション実験を行い, 従来手法と比較して精度が高く, 誤警報も最小限であった異常検出結果が得られた。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection [0.0]
  本稿では,Adaptive Dynamic Neighbor Mask (ADNM) 機構を導入し,それをTransformer and Denoising Diffusion Modelと統合する。 ADNMモジュールは、データ再構成中に入力と出力の特徴間の情報漏洩を軽減するために導入された。 Denoising Diffusion Transformer (DDT)は、Denoising Diffusion Modelのための内部ニューラルネットワーク構造としてTransformerを使用している。
  論文  参考訳（メタデータ） (2023-10-13T01:18:41Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Denoising Architecture for Unsupervised Anomaly Detection in Time-Series [0.0]
  このLSTM-Decoderモデルの補体として、Denoising Architectureを紹介します。 提案アーキテクチャは精度とトレーニング速度の両方を向上し,LSTMオートエンコーダを非教師付き異常検出タスクに対してより効率的にすることを示した。
  論文  参考訳（メタデータ） (2022-08-30T15:23:45Z)
• Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention [0.0]
  本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。 スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
  論文  参考訳（メタデータ） (2022-06-08T19:39:51Z)
• Robust Anomaly Detection for Time-series Data [8.206500786061406]
  この研究は、負の選択の強み、未保持の繰り返しプロット、および極端な学習機械オートエンコーダを組み合わせた。 時系列データ(RADTD)のロバストな異常検出を提案し、時系列で動的特徴を自動的に学習する。 実験により、RADTDは繰り返し資格解析や極端な学習機械オートエンコーダよりも精度と堅牢性が高いことが示された。
  論文  参考訳（メタデータ） (2022-02-06T07:09:57Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。