論文の概要: Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network

• arxiv url: http://arxiv.org/abs/2502.18233v1
• Date: Tue, 25 Feb 2025 14:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:20:54.992932
• Title: Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network
• Title（参考訳）: フィードフォワードニューラルネットワークによる天然ガスポンプユニットの故障診断
• Authors: Mykola Kozlenko, Olena Zamikhovska, Leonid Zamikhovskyi,
• Abstract要約: ANNの入力データとしてGPUの音響および振動過程の値を用いることを提案する。 ANNの入力に到達した診断記号の生成パケットを実行する。 開発済みのANNを使用することで、GPUの技術的状態を実用に十分な精度で分類することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In recent years, more and more attention has been paid to the use of artificial neural networks (ANN) for diagnostics of gas pumping units (GPU). Usually, ANN training is carried out on models of GPU workflows, and generated sets of diagnostic data are used to simulate defect conditions. At the same time, the results obtained do not allow assessing the real state of the GPU. It is proposed to use the values of the characteristics of the acoustic and vibration processes of the GPU as the input data of the ANN. A descriptive statistical analysis of real vibration and acoustic processes generated by the operation of the GPU type GTK-25-i (Nuovo Pignone, Italy) has been carried out. The formation of packets of diagnostic signs arriving at the input of the ANN has been carried out. The diagnostic features are the five maximum amplitude components of the acoustic and vibration signals, as well as the value of the standard deviation for each sample. Diagnostic signs are calculated directly in the input pipeline of ANN data in real time for three technical states of the GPU. Using the frameworks TensorFlow, Keras, NumPy, pandas, in the Python 3 programming language, an architecture was developed for a deep fully connected feedforward ANN, training on the error backpropagation algorithm. The results of training and testing of the developed ANN are presented. During testing, it was found that the signal classification precision for the "nominal" state of all 1475 signal samples is 1.0000, for the "current" state, precision equils 0.9853, and for the "defective" state, precision is 0.9091. The use of the developed ANN makes it possible to classify the technical states of the GPU with an accuracy sufficient for practical use, which will prevent the occurrence of GPU failures. ANN can be used to diagnose GPU of any type and power.
• Abstract（参考訳）: 近年, ガスポンプユニット(GPU)の診断に人工ニューラルネットワーク(ANN)の使用に注目が集まっている。 通常、ANNトレーニングはGPUワークフローのモデル上で行われ、生成された診断データのセットは欠陥条件をシミュレートするために使用される。 同時に、得られた結果はGPUの実際の状態を評価することを許さない。 ANNの入力データとしてGPUの音響・振動特性の値を用いることを提案する。 GPU型GTK-25-i(Nuovo Pignone, イタリアのNuovo Pignone)の動作によって発生する実振動と音響過程の記述的統計的解析を行った。 ANNの入力に到達した診断標識のパケットの生成を行う。 診断機能は、音響信号と振動信号の5つの最大振幅成分と、各試料の標準偏差値である。 診断記号は、GPUの3つの技術的状態に対して、リアルタイムでANNデータの入力パイプラインで直接計算される。 Python 3プログラミング言語では、TensorFlow、Keras、NumPy、pandasといったフレームワークを使用して、完全に接続されたフィードフォワードANNのためのアーキテクチャを開発し、エラーバックプロパゲーションアルゴリズムをトレーニングした。 開発したANNのトレーニングと試験の結果を報告する。 実験中、1475の信号サンプルの"nominal"状態の信号分類精度は1.0000、"current"状態の精度は0.9853、"defective"状態の精度は0.9091であることがわかった。 開発済みのANNを使用することで、GPUの技術的状態を実用に十分な精度で分類することが可能になり、GPU障害の発生を防止することができる。 ANNは任意のタイプとパワーのGPUの診断に使用することができる。

関連論文リスト

• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• Physics-inspired spatiotemporal-graph AI ensemble for the detection of higher order wave mode signals of spinning binary black hole mergers [0.2999888908665658]
  準円、回転、不要な二元ブラックホールの融合を検出するための新しいAIモデルを提案する。 これらのAIモデルは、ハイブリッド拡張ニューラルネットワークを組み合わせて、重力波の短距離時間情報と長距離時間情報を正確にモデル化する。
  論文  参考訳（メタデータ） (2023-06-27T18:09:15Z)
• PerfSAGE: Generalized Inference Performance Predictor for Arbitrary Deep Learning Models on Edge Devices [8.272409756443539]
  本稿では、任意のDNNliteグラフ上の推論遅延、エネルギー、メモリフットプリントを予測する新しいグラフニューラルネットワークであるPerfSAGEについて述べる。 このデータセットを用いて、PerfSAGEをトレーニングし、すべてのターゲットとモデル検索空間にわたって平均絶対パーセンテージ誤差の5%で最先端の予測精度を示す実験結果を提供する。
  論文  参考訳（メタデータ） (2023-01-26T08:59:15Z)
• Multidimensional analysis using sensor arrays with deep learning for high-precision and high-accuracy diagnosis [0.0]
  本研究では,DNN(Deep Neural Network)を低コストで高精度なセンサアレイのデータに入力することにより,測定精度と精度を大幅に向上させることが実証された。 データ収集は、32個の温度センサーで構成され、16個のアナログと16個のデジタルセンサーで構成されている。
  論文  参考訳（メタデータ） (2022-11-30T16:14:55Z)
• Benchmarking GPU and TPU Performance with Graph Neural Networks [0.0]
  この研究は、現実のパターン認識問題を解決するために開発されたグラフニューラルネットワーク(GNN)を用いてGPUとTPUのパフォーマンストレーニングを分析し、比較する。 スパースデータに作用する新しいモデルのクラスを特徴付けることは、ディープラーニングライブラリや将来のAIアクセラレータの設計を最適化するのに有効である。
  論文  参考訳（メタデータ） (2022-10-21T21:03:40Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• LETI: Latency Estimation Tool and Investigation of Neural Networks inference on Mobile GPU [0.0]
  本研究では,モバイルGPUのレイテンシ近似をデータおよびハードウェア固有の問題として検討する。 私たちは、さまざまなターゲットデバイスで大規模な実験を行うための便利な方法を提供する、オープンソースのツールを構築しています。 我々は、一般的なNAS-Benchmark 101データセットのサブセットに対するそのようなアプローチの適用性を実験的に実証した。
  論文  参考訳（メタデータ） (2020-10-06T16:51:35Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。