論文の概要: Hybrid Autoencoder-Based Framework for Early Fault Detection in Wind Turbines

• arxiv url: http://arxiv.org/abs/2510.15010v1
• Date: Thu, 16 Oct 2025 10:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.316621
• Title: Hybrid Autoencoder-Based Framework for Early Fault Detection in Wind Turbines
• Title（参考訳）: 風車における早期故障検出のためのハイブリッドオートエンコーダベースフレームワーク
• Authors: Rekha R Nair, Tina Babu, Alavikunhu Panthakkan, Balamurugan Balusamy, Wathiq Mansoor,
• Abstract要約: 本稿では,風力タービンにおける教師なし異常検出のためのアンサンブルに基づく新しいディープラーニングフレームワークを提案する。 提案手法は, 0.947のAUC-ROCを実現し, 故障の48時間前に早期故障検出を行う。 このアプローチは、予測的メンテナンスを可能にし、タービンの故障を低減し、大規模風力エネルギー展開における運用効率を向上することで、社会的な価値を著しく高める。
• 参考スコア（独自算出の注目度）: 0.7156193707786874
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wind turbine reliability is critical to the growing renewable energy sector, where early fault detection significantly reduces downtime and maintenance costs. This paper introduces a novel ensemble-based deep learning framework for unsupervised anomaly detection in wind turbines. The method integrates Variational Autoencoders (VAE), LSTM Autoencoders, and Transformer architectures, each capturing different temporal and contextual patterns from high-dimensional SCADA data. A unique feature engineering pipeline extracts temporal, statistical, and frequency-domain indicators, which are then processed by the deep models. Ensemble scoring combines model predictions, followed by adaptive thresholding to detect operational anomalies without requiring labeled fault data. Evaluated on the CARE dataset containing 89 years of real-world turbine data across three wind farms, the proposed method achieves an AUC-ROC of 0.947 and early fault detection up to 48 hours prior to failure. This approach offers significant societal value by enabling predictive maintenance, reducing turbine failures, and enhancing operational efficiency in large-scale wind energy deployments.
• Abstract（参考訳）: 風力タービンの信頼性は、早期故障検出がダウンタイムとメンテナンスコストを大幅に削減する再生可能エネルギーセクターにとって重要である。 本稿では,風力タービンにおける教師なし異常検出のためのアンサンブルに基づく新しいディープラーニングフレームワークを提案する。 この方法は、変動オートエンコーダ(VAE)、LSTMオートエンコーダ(LSTM Autoencoder)、トランスフォーマーアーキテクチャを統合し、それぞれが高次元SCADAデータから異なる時間的パターンとコンテキスト的パターンをキャプチャする。 ユニークな機能エンジニアリングパイプラインは、時間、統計、周波数領域のインジケータを抽出し、深層モデルによって処理される。 アンサンブルスコアリングは、モデル予測とアダプティブしきい値とを組み合わせて、ラベル付き障害データを必要としない運用上の異常を検出する。 提案手法は,3つの風力発電所にわたる89年間の実世界のタービンデータを含むCAREデータセットに基づいて,AUC-ROC 0.947 を達成し,故障の48時間前に早期故障検出を行う。 このアプローチは、予測的メンテナンスを可能にし、タービンの故障を低減し、大規模風力エネルギー展開における運用効率を向上することで、社会的な価値を著しく高める。

関連論文リスト

• Condition Monitoring with Machine Learning: A Data-Driven Framework for Quantifying Wind Turbine Energy Loss [0.0]
  本研究では,風力タービンのコンディションモニタリングのための高度でスケーラブルな機械学習フレームワークを提案する。 このフレームワークは、厳密な前処理によって正常なタービン挙動を効果的に分離し、ドメイン固有のルールと異常検出フィルタを取り入れている。 データ前処理法は、ウィンドファーム当たりのSCADAデータの平均31%を保持し、大幅なデータ削減をもたらした。
  論文  参考訳（メタデータ） (2025-06-16T00:44:54Z)
• 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)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• 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)
• 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)
• Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output [6.411829871947649]
  我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。 風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。 私たちのアプローチは、そのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-04-02T04:22:22Z)

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。