論文の概要: From Noise to Knowledge: A Comparative Study of Acoustic Anomaly Detection Models in Pumped-storage Hydropower Plants

• arxiv url: http://arxiv.org/abs/2509.22881v1
• Date: Fri, 26 Sep 2025 19:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.923696
• Title: From Noise to Knowledge: A Comparative Study of Acoustic Anomaly Detection Models in Pumped-storage Hydropower Plants
• Title（参考訳）: 騒音から知識へ:揚水発電所における音響異常検出モデルの比較検討
• Authors: Karim Khamaisi, Nicolas Keller, Stefan Krummenacher, Valentin Huber, Bernhard Fässler, Bruno Rodrigues,
• Abstract要約: 本稿では,水力発電プラントの予測保守を改善する手段として,音響に基づく異常検出手法の比較分析を行った。 時間領域と周波数領域の特徴を抽出する前に、ノイズの多い条件下での音響前処理における重要な課題に対処する。 オーストリアのRodundwerk IIポンプ保存プラントで実世界の2つのデータセットでテストされているLSTM AE、K-Means、OC-SVMの3つの機械学習モデルをベンチマークした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of industrial factories and energy producers, unplanned outages are highly costly and difficult to service. However, existing acoustic-anomaly detection studies largely rely on generic industrial or synthetic datasets, with few focused on hydropower plants due to limited access. This paper presents a comparative analysis of acoustic-based anomaly detection methods, as a way to improve predictive maintenance in hydropower plants. We address key challenges in the acoustic preprocessing under highly noisy conditions before extracting time- and frequency-domain features. Then, we benchmark three machine learning models: LSTM AE, K-Means, and OC-SVM, which are tested on two real-world datasets from the Rodundwerk II pumped-storage plant in Austria, one with induced anomalies and one with real-world conditions. The One-Class SVM achieved the best trade-off of accuracy (ROC AUC 0.966-0.998) and minimal training time, while the LSTM autoencoder delivered strong detection (ROC AUC 0.889-0.997) at the expense of higher computational cost.
• Abstract（参考訳）: 工場やエネルギー生産の文脈では、未計画の停電は非常にコストが高く、サービスも困難である。 しかし、既存の音響異常検出研究は主に工業的または合成的なデータセットに依存しており、限られたアクセスのために水力発電所に焦点を絞っているものはほとんどない。 本稿では,水力発電プラントの予測保守を改善する手段として,音響に基づく異常検出手法の比較分析を行った。 時間領域と周波数領域の特徴を抽出する前に、ノイズの多い条件下での音響前処理における重要な課題に対処する。 そして、オーストリアのRodundwerk IIポンプ保存工場で実世界の2つのデータセットでテストされるLSTM AE、K-Means、OC-SVMの3つの機械学習モデルをベンチマークする。 1級SVMは精度の最良のトレードオフ(ROC AUC 0.966-0.998)と最小の訓練時間を実現し、LSTMオートエンコーダは高い計算コストを犠牲にして強力な検出(ROC AUC 0.889-0.997)を行った。

関連論文リスト

• Beyond Memorization: Reasoning-Driven Synthesis as a Mitigation Strategy Against Benchmark Contamination [77.69093448529455]
  本稿では,arXiv論文から直接研究レベルのQAを合成するために,無限にスケーラブルなフレームワークを用いて実証的研究を行う。 各種サイズ,開発者,リリース日といったモデルについて,知識カットオフ日に近い性能劣化の欠如を評価した。 合成パイプラインで要求される多段階の推論は、浅い記憶よりも深い複雑さをもたらしたと仮定する。
  論文  参考訳（メタデータ） (2025-08-26T16:41:37Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder [3.004788114489393]
  ラベルなしデータセットの精度の高い教師なし異常検出のためのELSTMVAE-DAF-GMM(ELSTMVAE-DAF-GMM)を提案する。 VAEとLSTMを統合したELSTMVAEは,低次元位相空間に高次元時系列データを投影するために用いられた。 新たなDAF(Deep Advanced Feature)は、LSTMVAEモデルから遅延埋め込みと再構成の相違をハイブリダイズし、より包括的なデータ表現を提供する。
  論文  参考訳（メタデータ） (2024-11-16T10:11:36Z)
• 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)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• Detecting broken Absorber Tubes in CSP plants using intelligent sampling and dual loss [0.0]
  集中型太陽光発電(CSP)は化石燃料から再生可能エネルギーへの転換を導く技術である。 現在、パラボリック・トラフ・コレクター・システムによるCSPプラントの自動故障検出は、2つの主な欠点を証明している。 我々は、抽出されたデータと無人航空機の使用、および7つの実工場に設置されたセンサーによって提供されるデータを組み合わせることで、両方のギャップに対処する。
  論文  参考訳（メタデータ） (2022-11-25T12:53:52Z)
• LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data [6.642599588462097]
  室内空気質(IAQ)データの異常検出は、空気の質が人間の健康と健康と密接に関連しているため、研究の重要領域となっている。 IAQ領域における異常検出における従来の統計と機械学習に基づくアプローチは、複数のデータポイントにわたる相関の観測を含む異常を検出できなかった。 本稿では,LSTMとオートエンコーダを組み合わせたハイブリッドディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-14T01:57:46Z)
• A Lottery Ticket Hypothesis Framework for Low-Complexity Device-Robust Neural Acoustic Scene Classification [78.04177357888284]
  デバイス・ロバスト音響シーン分類(ASC)のためのデータ拡張、知識伝達、プルーニング、量子化を組み合わせた新しいニューラルモデル圧縮戦略を提案する。 本稿では,低複雑マルチデバイスASCのためのアコースティック・ロッテリー(Austratic Lottery)という,効率的なジョイント・フレームワークについて報告する。
  論文  参考訳（メタデータ） (2021-07-03T16:25:24Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。