論文の概要: AI-Enabled Operations at Fermi Complex: Multivariate Time Series Prediction for Outage Prediction and Diagnosis

• arxiv url: http://arxiv.org/abs/2501.01509v1
• Date: Thu, 02 Jan 2025 19:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:12:02.096375
• Title: AI-Enabled Operations at Fermi Complex: Multivariate Time Series Prediction for Outage Prediction and Diagnosis
• Title（参考訳）: FermiコンプレックスにおけるAI対応運用:故障予測と診断のための多変量時系列予測
• Authors: Milan Jain, Burcu O. Mutlu, Caleb Stam, Jan Strube, Brian A. Schupbach, Jason M. St. John, William A. Pellico,
• Abstract要約: フェルミラボ・アクセラレーター・コンプレックスのメイン・コントロール・ルームは、ビームを監視する何千ものセンサーから時系列データを継続的に収集する。 旅行や電圧変動などの未計画の出来事は、しばしばビームの停止を引き起こし、運用上のダウンタイムを引き起こす。 このダウンタイムは、問題を診断し対処するオペレーターの労力を消費するだけでなく、ビーム復元を待つアイドルマシンによる不要なエネルギー消費につながる。
• 参考スコア（独自算出の注目度）: 0.6282171844772421
• License:
• Abstract: The Main Control Room of the Fermilab accelerator complex continuously gathers extensive time-series data from thousands of sensors monitoring the beam. However, unplanned events such as trips or voltage fluctuations often result in beam outages, causing operational downtime. This downtime not only consumes operator effort in diagnosing and addressing the issue but also leads to unnecessary energy consumption by idle machines awaiting beam restoration. The current threshold-based alarm system is reactive and faces challenges including frequent false alarms and inconsistent outage-cause labeling. To address these limitations, we propose an AI-enabled framework that leverages predictive analytics and automated labeling. Using data from $2,703$ Linac devices and $80$ operator-labeled outages, we evaluate state-of-the-art deep learning architectures, including recurrent, attention-based, and linear models, for beam outage prediction. Additionally, we assess a Random Forest-based labeling system for providing consistent, confidence-scored outage annotations. Our findings highlight the strengths and weaknesses of these architectures for beam outage prediction and identify critical gaps that must be addressed to fully harness AI for transitioning downtime handling from reactive to predictive, ultimately reducing downtime and improving decision-making in accelerator management.
• Abstract（参考訳）: フェルミラブ・アクセラレーター・コンプレックスのメイン・コントロール・ルームは、ビームをモニターする何千ものセンサーの時系列データを継続的に収集する。 しかし、旅行や電圧変動のような未計画の出来事は、しばしばビームの停止を引き起こし、運用上のダウンタイムを引き起こす。 このダウンタイムは、問題を診断し対処するオペレーターの労力を消費するだけでなく、ビーム復元を待つアイドルマシンによる不要なエネルギー消費につながる。 現在のしきい値ベースのアラームシステムはリアクティブであり、頻繁に偽のアラームや不整合性障害によるラベリングといった課題に直面している。 これらの制限に対処するため、予測分析と自動ラベリングを活用するAI対応フレームワークを提案する。 2,703ドルのLinacデバイスと80ドルの演算子ラベルの故障から得られたデータを用いて、繰り返し、注意ベース、線形モデルを含む最先端のディープラーニングアーキテクチャを評価し、ビームの停止を予測する。 さらに,ランサムフォレストをベースとしたラベル付けシステムを用いて,一貫した信頼性マーク付き機能停止アノテーションを提供する。 我々の発見は、これらのアーキテクチャの長所と短所を強調して、停止時間処理をリアクティブから予測へ移行し、最終的にダウンタイムを減らし、アクセラレータ管理における意思決定を改善するために、AIを完全に活用するために対処しなければならない重要なギャップを特定します。

関連論文リスト

• Transformer-Based Bearing Fault Detection using Temporal Decomposition Attention Mechanism [0.40964539027092917]
  ベアリング故障検出は予測保守において重要な課題であり、正確かつタイムリーな故障識別はコストダウンや機器の損傷を防ぐことができる。 トランスフォーマーニューラルネットワークの従来の注意機構は、振動データを保持する複雑な時間パターンを捉えるのに苦労することが多く、最適以下の性能をもたらす。 本稿では,時系列データの長期依存性と周期的変動の両方を捉えるために,時間偏差符号化と季節差分解を組み合わせた新しい注意機構である時間分解注意機構(TDA)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T16:51:31Z)
• A Real-time Anomaly Detection Using Convolutional Autoencoder with Dynamic Threshold [0.0]
  この研究は統計と畳み込みオートエンコーダを動的しきい値で組み合わせたハイブリッドモデリング手法を導入する。 このソリューションには、高度な監視システムに接続するリアルタイムのメーターレベルの異常検知システムが含まれている。
  論文  参考訳（メタデータ） (2024-04-05T11:03:36Z)
• TimePillars: Temporally-Recurrent 3D LiDAR Object Detection [8.955064958311517]
  TimePillarsは時間的にリカレントなオブジェクト検出パイプラインである。 時間にわたってLiDARデータの柱表現を利用する。 基礎的なビルディングブロックがいかに堅牢で効率的な結果を得るのに十分なかを示す。
  論文  参考訳（メタデータ） (2023-12-22T10:25:27Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• 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)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• 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)
• StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
  ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。 現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。 本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
  論文  参考訳（メタデータ） (2020-11-12T14:57:44Z)

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。