論文の概要: A Digital twin for Diesel Engines: Operator-infused PINNs with Transfer Learning for Engine Health Monitoring

• arxiv url: http://arxiv.org/abs/2412.11967v1
• Date: Mon, 16 Dec 2024 16:47:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:05.073350
• Title: A Digital twin for Diesel Engines: Operator-infused PINNs with Transfer Learning for Engine Health Monitoring
• Title（参考訳）: ディーゼル機関用ディジタルツイン:エンジンの健康モニタリングのためのトランスファーラーニングを用いたオペレータ注入型PINN
• Authors: Kamaljyoti Nath, Varun Kumar, Daniel J. Smith, George Em Karniadakis,
• Abstract要約: 本研究の目的は,平均値ディーゼルエンジンモデルの未知パラメータを同定するための,計算効率のよいニューラルネットワークベースのアプローチを開発することである。 本稿では,物理情報ニューラルネットワーク,PINN,深層ニューラルネットワーク,DeepONetを組み合わせたハイブリッド手法を提案する。 オペレータネットワークは、オフライントレーニングを通じて学習した独立アクチュエータダイナミクスを予測し、PINNのオンライン計算コストを低減させる。
• 参考スコア（独自算出の注目度）: 6.106782783314526
• License:
• Abstract: Improving diesel engine efficiency and emission reduction have been critical research topics. Recent government regulations have shifted this focus to another important area related to engine health and performance monitoring. Although the advancements in the use of deep learning methods for system monitoring have shown promising results in this direction, designing efficient methods suitable for field systems remains an open research challenge. The objective of this study is to develop a computationally efficient neural network-based approach for identifying unknown parameters of a mean value diesel engine model to facilitate physics-based health monitoring and maintenance forecasting. We propose a hybrid method combining physics informed neural networks, PINNs, and a deep neural operator, DeepONet to predict unknown parameters and gas flow dynamics in a diesel engine. The operator network predicts independent actuator dynamics learnt through offline training, thereby reducing the PINNs online computational cost. To address PINNs need for retraining with changing input scenarios, we propose two transfer learning (TL) strategies. The first strategy involves multi-stage transfer learning for parameter identification. While this method is computationally efficient as compared to online PINN training, improvements are required to meet field requirements. The second TL strategy focuses solely on training the output weights and biases of a subset of multi-head networks pretrained on a larger dataset, substantially reducing computation time during online prediction. We also evaluate our model for epistemic and aleatoric uncertainty by incorporating dropout in pretrained networks and Gaussian noise in the training dataset. This strategy offers a tailored, computationally inexpensive, and physics-based approach for parameter identification in diesel engine sub systems.
• Abstract（参考訳）: ディーゼルエンジンの効率向上と排出削減が重要な研究課題となっている。 最近の政府の規制は、エンジンの健康と性能モニタリングに関する重要な領域に焦点を移している。 システム監視におけるディープラーニング手法の利用の進歩は、この方向に有望な成果を上げているが、フィールドシステムに適した効率的な手法を設計することは、まだオープンな研究課題である。 本研究の目的は,物理に基づく健康モニタリングとメンテナンス予測を容易にするために,平均値ディーゼルエンジンモデルの未知パラメータを特定する,計算効率のよいニューラルネットワークベースのアプローチを開発することである。 本稿では,物理情報ニューラルネットワーク,PINN,ディープニューラル演算子,DeepONetを組み合わせたハイブリッド手法を提案する。 オペレータネットワークは、オフライントレーニングを通じて学習した独立アクチュエータダイナミクスを予測し、PINNのオンライン計算コストを低減させる。 入力シナリオを変えることでPINNをリトレーニングする必要性に対処するため、我々は2つのトランスファーラーニング戦略を提案する。 最初の戦略はパラメータ識別のための多段階移動学習である。 本手法はオンラインPINNトレーニングに比べて計算効率が良いが,フィールド要件を満たすためには改善が必要である。 第2のTL戦略は、より大きなデータセットで事前訓練されたマルチヘッドネットワークのサブセットの出力重みとバイアスのトレーニングのみに焦点を当て、オンライン予測時の計算時間を著しく短縮する。 また,トレーニングデータセットにおいて,事前学習ネットワークへのドロップアウトとガウスノイズを組み込むことにより,てんかんおよび失読不確実性のモデルも評価した。 この戦略は、ディーゼルエンジンのサブシステムにおけるパラメータ識別のための、調整された、計算的に安価で、物理に基づくアプローチを提供する。

関連論文リスト

• Brain-Inspired Online Adaptation for Remote Sensing with Spiking Neural Network [17.315710646752176]
  本研究では、リモートセンシングのためのスパイキングニューラルネットワーク(SNN)に基づくオンライン適応フレームワークを提案する。 我々の知る限り、この研究はSNNのオンライン適応に最初に取り組むものである。 提案手法は、エッジデバイス上でのエネルギー効率と高速なオンライン適応を実現するとともに、軌道上の衛星やUAVにおけるリモートセンシングなどの応用に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-03T08:47:53Z)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Mobile Traffic Prediction at the Edge through Distributed and Transfer Learning [2.687861184973893]
  このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。 本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T23:48:13Z)
• 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)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation [0.0]
  この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。 第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。 最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
  論文  参考訳（メタデータ） (2022-10-13T11:45:30Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• Indirect and Direct Training of Spiking Neural Networks for End-to-End Control of a Lane-Keeping Vehicle [12.137685936113384]
  生物学的シナプス可塑性に基づくスパイクニューラルネットワーク(SNN)の構築は、高速でエネルギー効率のよい計算を実現するための有望な可能性を秘めている。 本稿では,車線維持車両におけるSNNの間接的および直接的エンドツーエンドのトレーニング手法について紹介する。
  論文  参考訳（メタデータ） (2020-03-10T09:35:46Z)

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。