論文の概要: Feature-Weighted MMD-CORAL for Domain Adaptation in Power Transformer Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2505.14896v1
• Date: Tue, 20 May 2025 20:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.745631
• Title: Feature-Weighted MMD-CORAL for Domain Adaptation in Power Transformer Fault Diagnosis
• Title（参考訳）: 電力変圧器故障診断における領域適応のための特徴量MDD-Coral
• Authors: Hootan Mahmoodiyan, Maryam Ahang, Mostafa Abbasi, Homayoun Najjaran,
• Abstract要約: 本研究では,最大平均離散度(MMD)と相関アライメント(CORAL)と特徴特化重み付け(MCW)を組み合わせた特徴重み付きドメイン適応手法を提案する。 MMD-CORAL (MC) よりも7.9%改善し、2.2%改善した電力変圧器用データセットの実験的評価により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 2.7898966850590625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring the reliable operation of power transformers is critical to grid stability. Dissolved Gas Analysis (DGA) is widely used for fault diagnosis, but traditional methods rely on heuristic rules, which may lead to inconsistent results. Machine learning (ML)-based approaches have improved diagnostic accuracy; however, power transformers operate under varying conditions, and differences in transformer type, environmental factors, and operational settings create distribution shifts in diagnostic data. Consequently, direct model transfer between transformers often fails, making techniques for domain adaptation a necessity. To tackle this issue, this work proposes a feature-weighted domain adaptation technique that combines Maximum Mean Discrepancy (MMD) and Correlation Alignment (CORAL) with feature-specific weighting (MCW). Kolmogorov-Smirnov (K-S) statistics are used to assign adaptable weights, prioritizing features with larger distributional discrepancies and thereby improving source and target domain alignment. Experimental evaluations on datasets for power transformers demonstrate the effectiveness of the proposed method, which achieves a 7.9% improvement over Fine-Tuning and a 2.2% improvement over MMD-CORAL (MC). Furthermore, it outperforms both techniques across various training sample sizes, confirming its robustness for domain adaptation.
• Abstract（参考訳）: 電力変圧器の信頼性確保はグリッド安定性に不可欠である。 溶存ガス分析(DGA)は断層診断に広く用いられているが、従来の手法はヒューリスティックな規則に依存しており、矛盾する結果をもたらす可能性がある。 機械学習(ML)ベースのアプローチは診断精度を改善したが、電力変換器は様々な条件下で動作し、変圧器の種類、環境要因、運用環境の違いは診断データの分散シフトを生み出す。 したがって、トランス間の直接モデル転送は失敗することが多く、ドメイン適応のための技術が必要である。 本研究は,最大平均離散度(MMD)と相関アライメント(CORAL)と特徴比重み付け(MCW)を組み合わせた特徴重み付きドメイン適応手法を提案する。 Kolmogorov-Smirnov (K-S) 統計は、適応可能な重み付けを割り当て、より大きな分布差を持つ特徴を優先順位付けし、ソースおよびターゲットドメインアライメントを改善するために用いられる。 MMD-CORAL (MC) よりも7.9%改善し,2.2%改善した。 さらに、様々なトレーニングサンプルサイズで両方のテクニックを上回り、ドメイン適応の堅牢性を確認する。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Multichannel consecutive data cross-extraction with 1DCNN-attention for diagnosis of power transformer [3.8288189143989517]
  本稿では, 変圧器診断のための多チャンネル連続データクロス抽出(MCDC)の構造について述べる。 変圧器診断のシナリオをより快適にするために、一次元畳み込みニューラルネットワーク注意(1DCNN-attention)機構を導入し、より効率的なソリューションを提供する。 MCDCの有効性と、他のアルゴリズムと比較して優れた一般化能力は、パワートランスの実際の運用事例から収集したデータセットで検証された。
  論文  参考訳（メタデータ） (2023-10-11T09:14:17Z)
• Benchmarking Domain Adaptation for Chemical Processes on the Tennessee Eastman Process [4.83134644882906]
  システムモニタリングにおいて、自動故障診断は、センサの読み取りに基づいてシステムの状態を推測する。 多くの要因がデータ確率分布の変化を誘発し、そのようなモデルを一般化する可能性を妨げている。 化学プロセスの文脈における領域適応手法のベンチマークのための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-08-22T07:43:59Z)
• Calibrating Transformers via Sparse Gaussian Processes [23.218648177475135]
  本稿では,マルチヘッドアテンションブロック(MHA)の出力空間に直接ベイズ推論を行い,その不確実性を校正するスパースガウスプロセスアテンション(SGPA)を提案する。 SGPAベースのトランスフォーマーは、テキスト、画像、グラフ上の一連の予測タスクにおいて、競合予測精度を達成すると同時に、分布内キャリブレーションと分布外ロバストネスと検出の両方を顕著に改善する。
  論文  参考訳（メタデータ） (2023-03-04T16:04:17Z)
• Can Transformers be Strong Treatment Effect Estimators? [86.32484218657166]
  本研究では,様々な処理効果推定問題に対処するために,Transformerアーキテクチャに基づく汎用フレームワークを開発する。 本手法は, 離散的, 連続的, 構造的, あるいは服用関連治療に応用される。 Transformers as Treatment Effect Estimator (TransTEE) を用いて行った実験は、これらの誘導バイアスが因果効果を推定する研究で発生する推定問題やデータセットの種類にも有効であることを示した。
  論文  参考訳（メタデータ） (2022-02-02T23:56:42Z)
• An EMD-based Method for the Detection of Power Transformer Faults with a Hierarchical Ensemble Classifier [0.0]
  希釈ガス分析(DGA)データから変圧器断層を検出するための経験的モード分解法を提案する。 提案手法は, 変圧器断層の検出において90%以上の感度と精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-10-21T19:49:35Z)
• Power transformer faults diagnosis using undestructive methods (Roger and IEC) and artificial neural network for dissolved gas analysis applied on the functional transformer in the Algerian north-eastern: a comparative study [0.0]
  Key Gases, Rogers Ratios, IEC Ratios, Duval Triangles, Logarithmic Nomograph for DGA results。 ニューラルネットワークを用いた電力変換器診断のための非エレガントなツールの設計。
  論文  参考訳（メタデータ） (2021-08-02T13:09:53Z)
• Bayesian Transformer Language Models for Speech Recognition [59.235405107295655]
  トランスフォーマーで表現される最先端のニューラルネットワークモデル(LM)は非常に複雑である。 本稿では,トランスフォーマーLM推定のためのベイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-09T10:55:27Z)
• Transferable Calibration with Lower Bias and Variance in Domain Adaptation [139.4332115349543]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの学習マシンの転送を可能にする。 DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。 TransCalは既存のDAメソッドの校正に簡単に適用できる。
  論文  参考訳（メタデータ） (2020-07-16T11:09:36Z)

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。