論文の概要: Virtual Sensing to Enable Real-Time Monitoring of Inaccessible Locations \& Unmeasurable Parameters
- arxiv url: http://arxiv.org/abs/2412.00107v1
- Date: Thu, 28 Nov 2024 00:58:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:47:55.584926
- Title: Virtual Sensing to Enable Real-Time Monitoring of Inaccessible Locations \& Unmeasurable Parameters
- Title(参考訳): アクセシブルロケーションのリアルタイムモニタリングを可能にする仮想センシング
- Authors: Kazuma Kobayashi, Farid Ahmed, Syed Bahauddin Alam,
- Abstract要約: エネルギーシステムの安全かつ効率的な運用には、重要なパラメータのリアルタイムモニタリングが不可欠である。
従来のセンサーはしばしば物理的センサーを配置できない厳しい環境で故障し、劣化する。
本研究では,物理センサの展開が不可能な場所でのモニタリングを可能にすることで,リアルタイムモニタリング手法の限界に対処する。
- 参考スコア(独自算出の注目度): 0.4551615447454769
- License:
- Abstract: Real-time monitoring of critical parameters is essential for energy systems' safe and efficient operation. However, traditional sensors often fail and degrade in harsh environments where physical sensors cannot be placed (inaccessible locations). In addition, there are important parameters that cannot be directly measured by sensors. We need machine learning (ML)-based real-time monitoring in those remote locations to ensure system operations. However, traditional ML models struggle to process continuous sensor profile data to fit model requirements, leading to the loss of spatial relationships. Another challenge for real-time monitoring is ``dataset shift" and the need for frequent retraining under varying conditions, where extensive retraining prohibits real-time inference. To resolve these challenges, this study addressed the limitations of real-time monitoring methods by enabling monitoring in locations where physical sensors are impractical to deploy. Our proposed approach, utilizing Multi-Input Operator Network virtual sensors, leverages deep learning to seamlessly integrate diverse data sources and accurately predict key parameters in real-time without the need for additional physical sensors. The approach's effectiveness is demonstrated through thermal-hydraulic monitoring in a nuclear reactor subchannel, achieving remarkable accuracy.
- Abstract(参考訳): エネルギーシステムの安全かつ効率的な運用には、重要なパラメータのリアルタイムモニタリングが不可欠である。
しかし、物理的なセンサーを配置できない厳しい環境では、従来のセンサーはしばしば故障し、劣化する(アクセス不能な場所)。
さらに、センサによって直接測定できない重要なパラメータが存在する。
システム操作を確実にするためには、これらのリモートロケーションで機械学習(ML)ベースのリアルタイム監視が必要です。
しかし、従来のMLモデルは、モデル要求に適合するように連続的なセンサプロファイルデータを処理するのに苦労し、空間的関係が失われる。
リアルタイム監視のもうひとつの課題は,‘データベースシフト’と,さまざまな条件下での頻繁な再トレーニングの必要性だ。
これらの課題を解決するため,物理的なセンサが配備できない場所での監視を可能にすることにより,リアルタイム監視手法の限界に対処した。
提案手法は,Multi-Input Operator Network仮想センサを活用することで,深層学習を利用して多様なデータソースをシームレスに統合し,物理センサの追加を必要とせずに,リアルタイムにキーパラメータを正確に予測する。
アプローチの有効性は、原子炉サブチャネルにおける熱-油圧モニタリングを通じて実証され、顕著な精度が達成される。
関連論文リスト
- Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。
センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。
弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
論文 参考訳(メタデータ) (2024-11-11T12:20:57Z) - Virtual Sensing-Enabled Digital Twin Framework for Real-Time Monitoring of Nuclear Systems Leveraging Deep Neural Operators [0.36651088217486427]
本稿では,デジタルツインフレームワークのコアコンポーネントとしてDeepOperator Networks (DeepONet) を導入する。
DeepONetは動的でスケーラブルな仮想センサとして機能し、操作された入力パラメータと空間的に分散されたシステムの振る舞いの間の相互作用を正確にマッピングする。
この結果から,DeepONetは平均二乗誤差と相対L2誤差で精度の高い予測を行い,従来のCFDシミュレーションの1400倍の精度で未知データの予測を行うことができた。
論文 参考訳(メタデータ) (2024-10-17T16:56:04Z) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。
HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文 参考訳(メタデータ) (2024-07-26T12:16:53Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳(メタデータ) (2024-04-02T18:30:29Z) - One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。
提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。
提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
論文 参考訳(メタデータ) (2024-03-24T13:44:57Z) - A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
本稿では,教師なし深層学習異常検出システムを提案する。
生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。
リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
論文 参考訳(メタデータ) (2024-03-21T14:26:29Z) - 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) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳(メタデータ) (2021-07-28T10:19:58Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳(メタデータ) (2021-02-02T15:44:39Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳(メタデータ) (2020-05-24T10:32:49Z)
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。