論文の概要: Fault Diagnosis in New Wind Turbines using Knowledge from Existing Turbines by Generative Domain Adaptation
- arxiv url: http://arxiv.org/abs/2504.17709v1
- Date: Thu, 24 Apr 2025 16:14:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.460826
- Title: Fault Diagnosis in New Wind Turbines using Knowledge from Existing Turbines by Generative Domain Adaptation
- Title（参考訳）: 生成領域適応による既存タービンの知識を利用した新風車の故障診断
- Authors: Stefan Jonas, Angela Meyer,
- Abstract要約: 本研究では,1つの風力タービンからのSCADAサンプルを,風力タービンからのSCADAデータに代表的訓練データと類似した訓練データを持たせるための,新しい生成的深層学習手法を提案する。
その結果, 風力タービンの故障診断の精度は著しく向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Intelligent condition monitoring of wind turbines is essential for reducing downtimes. Machine learning models trained on wind turbine operation data are commonly used to detect anomalies and, eventually, operation faults. However, data-driven normal behavior models (NBMs) require a substantial amount of training data, as NBMs trained with scarce data may result in unreliable fault diagnosis. To overcome this limitation, we present a novel generative deep learning approach to make SCADA samples from one wind turbine lacking training data resemble SCADA data from wind turbines with representative training data. Through CycleGAN-based domain mapping, our method enables the application of an NBM trained on an existing wind turbine to one with severely limited data. We demonstrate our approach on field data mapping SCADA samples across 7 substantially different WTs. Our findings show significantly improved fault diagnosis in wind turbines with scarce data. Our method achieves the most similar anomaly scores to an NBM trained with abundant data, outperforming NBMs trained on scarce training data with improvements of +10.3% in F1-score when 1 month of training data is available and +16.8% when 2 weeks are available. The domain mapping approach outperforms conventional fine-tuning at all considered degrees of data scarcity, ranging from 1 to 8 weeks of training data. The proposed technique enables earlier and more reliable fault diagnosis in newly installed wind farms, demonstrating a novel and promising research direction to improve anomaly detection when faced with training data scarcity.
- Abstract（参考訳）: 風力タービンの知的状態モニタリングは、ダウンタイムの低減に不可欠である。
風力タービンの運転データに基づいて訓練された機械学習モデルは、異常を検出し、最終的には動作不良を検出するために一般的に使用される。
しかし、データ駆動の正常行動モデル(NBM)は、少ないデータで訓練されたNBMが信頼性の低い障害診断をもたらす可能性があるため、かなりの量のトレーニングデータを必要とする。
この制限を克服するために,1つの風力タービンからのSCADAサンプルを,風力タービンからのSCADAデータと代表的訓練データとを類似させる,新しい生成的深層学習手法を提案する。
本手法は,CycleGANをベースとした領域マッピングにより,既存の風力タービンで訓練されたNBMを極めて限られたデータに応用することができる。
提案手法は,SCADA サンプルを 7 つのWT に分散したフィールドデータマッピングである。
その結果, 風力タービンの故障診断の精度は有意に向上した。
本手法は, 豊富なデータで訓練されたNBMと最もよく似た異常スコアを達成し, 1ヶ月のトレーニングデータが利用可能になった場合, F1スコアが+10.3%, 2週間のトレーニングデータが+16.8%向上し, 不足したトレーニングデータで訓練されたNBMよりも優れていた。
ドメインマッピングアプローチは、1週間から8週間のトレーニングデータの範囲で、データ不足の度合いを考慮して、従来の微調整よりも優れています。
提案手法は, 新たに設置した風力発電所において, 早期かつ信頼性の高い故障診断を可能にし, トレーニングデータ不足に直面した際の異常検出を改善するための, 新規かつ有望な研究方向を示すものである。
関連論文リスト
- SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
逆天候除去は、悪天候下で透明な視界を回復することを目的としている。
本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-29T12:12:22Z) - Transfer learning applications for anomaly detection in wind turbines [0.0]
風力タービンの異常検出は通常、異常を早期に検出するために通常の挙動モデルを使用する。
本研究では, 自動エンコーダによる異常検出において, 橋渡し学習をいかに応用できるかを検討する。
論文 参考訳（メタデータ） (2024-04-03T18:48:45Z) - An AI-Driven Approach to Wind Turbine Bearing Fault Diagnosis from Acoustic Signals [10.64491245858684]
本研究では, 風力タービン発電機の軸受欠陥を音響信号から分類する深層学習モデルを開発した。
畳み込み型LSTMモデルを構築し, 事前定義された5種類の故障の音声データを用いて, トレーニングと検証を行った。
このモデルでは, トレーニングサンプルの精度が優れ, 検証中に優れた一般化能力を示した。
論文 参考訳（メタデータ） (2024-03-14T01:46:30Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Wind Turbine Gearbox Fault Detection Based on Sparse Filtering and Graph
Neural Networks [5.415995239349699]
風力タービンのギアボックスの故障は特に顕著であり、最も長いダウンタイムと高いコストに繋がる。
本稿では、グラフニューラルネットワーク(GNN)モデルとスパースフィルタリング(SF)モデルを用いて、高周波振動データに基づくデータ駆動ギヤボックス故障検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-06T21:08:07Z) - 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) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-05-28T07:47:53Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - 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) - 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)
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。