論文の概要: Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data

• arxiv url: http://arxiv.org/abs/2503.08325v1
• Date: Tue, 11 Mar 2025 11:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:45:19.431231
• Title: Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data
• Title（参考訳）: クラス不均衡データを用いた風車におけるブレードアイシング検出のためのプロトタイプベース不均一フェデレーション学習
• Authors: Lele Qi, Mengna Liu, Xu Cheng, Fan Shi, Xiufeng Liu, Shengyong Chen,
• Abstract要約: 本研究では,風力タービン翼のアイシングを検出するため,異種環境におけるクラス不均衡データのプロトタイプ学習モデルを提案する。 2つの風力発電所を横断する20基のタービンの実データを用いた実験により,本手法は5つのFLモデルと5つのクラス不均衡法より優れていた。
• 参考スコア（独自算出の注目度）: 23.229445493233573
• License:
• Abstract: Wind farms, typically in high-latitude regions, face a high risk of blade icing. Traditional centralized training methods raise serious privacy concerns. To enhance data privacy in detecting wind turbine blade icing, traditional federated learning (FL) is employed. However, data heterogeneity, resulting from collections across wind farms in varying environmental conditions, impacts the model's optimization capabilities. Moreover, imbalances in wind turbine data lead to models that tend to favor recognizing majority classes, thus neglecting critical icing anomalies. To tackle these challenges, we propose a federated prototype learning model for class-imbalanced data in heterogeneous environments to detect wind turbine blade icing. We also propose a contrastive supervised loss function to address the class imbalance problem. Experiments on real data from 20 turbines across two wind farms show our method outperforms five FL models and five class imbalance methods, with an average improvement of 19.64\% in \( mF_{\beta} \) and 5.73\% in \( m \)BA compared to the second-best method, BiFL.
• Abstract（参考訳）: 通常は高緯度地域の風力発電所は、ブレードアイシングのリスクが高い。 伝統的な集中的な訓練手法は、深刻なプライバシーの懸念を引き起こす。 風力タービンブレードアイシングの検出におけるデータのプライバシを高めるため、従来のフェデレートラーニング(FL)を採用している。 しかし、様々な環境条件下で風力発電所をまたいで収集されたデータの不均一性は、モデルの最適化能力に影響を及ぼす。 さらに、風力タービンデータの不均衡は、大多数のクラスを認識する傾向にあるモデルにつながり、致命的なアイシング異常を無視する。 これらの課題に対処するために,風力タービン羽根のアイシングを検出するために,異種環境におけるクラス不均衡データに対するフェデレートされたプロトタイプ学習モデルを提案する。 また、クラス不均衡問題に対処するために、対照的な教師付き損失関数を提案する。 2つの風力発電所にまたがる20基のタービンの実データを用いた実験により,本手法は5つのFLモデルと5つのクラス不均衡法より優れ,平均19.64 %,5.73 %の改善が得られた。

関連論文リスト

• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia [0.0]
  風力発電は常に風速のボラティリティによる不確実性を伴う。 風速予測(WSF)は電力グリッドのディスパッチ、安定性、制御性に不可欠である。 本研究では,ハイブリッド分解法に基づく定常データのための新しいWSFフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T22:04:46Z)
• Wind turbine condition monitoring based on intra- and inter-farm federated learning [0.0]
  風力エネルギーにおける多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所の運用データを使用することで恩恵を受けることができる。 フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。 我々は、異なる風力発電所とタービンモデル間の協調や、同じ風力発電所とタービンモデルに制限された協力など、様々な連合学習戦略について検討する。
  論文  参考訳（メタデータ） (2024-09-05T16:25:30Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• Towards Fleet-wide Sharing of Wind Turbine Condition Information through Privacy-preserving Federated Learning [0.0]
  我々は、風力タービンにデータを残しながら、そのローカルデータに対するフリートワイドな学習を可能にすることによって、データのプライバシを保護する分散機械学習アプローチを提案する。 フェデレートされた艦隊規模の学習を通して、代表的トレーニングデータをほとんど、あるいは全く持たないタービンは、より正確な正常な行動モデルから恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2022-12-07T09:22:33Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。 本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。 3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
  論文  参考訳（メタデータ） (2021-01-20T00:46:52Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。