論文の概要: Fault Detection in Solar Thermal Systems using Probabilistic Reconstructions

• arxiv url: http://arxiv.org/abs/2511.10296v1
• Date: Fri, 14 Nov 2025 01:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.802187
• Title: Fault Detection in Solar Thermal Systems using Probabilistic Reconstructions
• Title（参考訳）: 確率的再構成を用いた太陽熱システムの故障検出
• Authors: Florian Ebmeier, Nicole Ludwig, Jannik Thuemmel, Georg Martius, Volker H. Franz,
• Abstract要約: 太陽熱システム(STS)は、低炭素熱発生に有望な道を示す。 STSは、不適切なインストール、メンテナンス、運用による欠陥を示すことができる。 本稿では,異常検出のための確率的再構成に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.331786108757687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar thermal systems (STS) present a promising avenue for low-carbon heat generation, with a well-running system providing heat at minimal cost and carbon emissions. However, STS can exhibit faults due to improper installation, maintenance, or operation, often resulting in a substantial reduction in efficiency or even damage to the system. As monitoring at the individual level is economically prohibitive for small-scale systems, automated monitoring and fault detection should be used to address such issues. Recent advances in data-driven anomaly detection, particularly in time series analysis, offer a cost-effective solution by leveraging existing sensors to identify abnormal system states. Here, we propose a probabilistic reconstruction-based framework for anomaly detection. We evaluate our method on the publicly available PaSTS dataset of operational domestic STS, which features real-world complexities and diverse fault types. Our experiments show that reconstruction-based methods can detect faults in domestic STS both qualitatively and quantitatively, while generalizing to previously unseen systems. We also demonstrate that our model outperforms both simple and more complex deep learning baselines. Additionally, we show that heteroscedastic uncertainty estimation is essential to fault detection performance. Finally, we discuss the engineering overhead required to unlock these improvements and make a case for simple deep learning models.
• Abstract（参考訳）: 太陽熱システム(STS)は、低炭素熱発生のための有望な道を示し、熱を最小限のコストで供給し、炭素排出量を発生させる。 しかし、STSは、不適切な設置、メンテナンス、運用による欠陥を示すことができ、多くの場合、効率が大幅に低下したり、システムに損傷を与えたりする。 個別レベルでの監視は小規模システムでは経済的に禁止されているため、このような問題に対処するために自動監視と故障検出を用いる必要がある。 データ駆動型異常検出の最近の進歩、特に時系列解析では、既存のセンサを活用して異常なシステム状態を特定することで、コスト効率の高いソリューションが提供されている。 本稿では,異常検出のための確率的再構成に基づくフレームワークを提案する。 本手法は,実世界の複雑度と多様な断層タイプを特徴とする実運用型STSのPaSTSデータセットを用いて評価する。 本実験により, 国内STSの故障を定性的に, 定量的に検出し, 既往のシステムに一般化できることが示唆された。 また、私たちのモデルは、単純かつより複雑なディープラーニングベースラインよりも優れています。 さらに,不確定な不確実性推定が故障検出性能に不可欠であることを示す。 最後に、これらの改善を解き放つために必要な工学的オーバーヘッドについて議論し、簡単なディープラーニングモデルについて論じる。

関連論文リスト

• Explainable Unsupervised Multi-Anomaly Detection and Temporal Localization in Nuclear Times Series Data with a Dual Attention-Based Autoencoder [0.0]
  本稿では,リアクトル放射面積モニタリングシステムにおける異常事象のキャラクタリゼーションのための二重注意機構を有するLSTMオートエンコーダを提案する。 このフレームワークは、検出だけでなく、イベントのローカライズも含み、PUR-1研究炉の複雑さを増大させる実世界のデータセットを用いて評価された。
  論文  参考訳（メタデータ） (2025-09-15T19:06:17Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Enhancing Functional Safety in Automotive AMS Circuits through Unsupervised Machine Learning [9.100418852199082]
  AMS回路における早期異常検出のための教師なし機械学習に基づく新しいフレームワークを提案する。 提案手法では、様々な回路位置や個々のコンポーネントに異常を注入して、多種多様な総合的な異常データセットを作成する。 これらの異常条件下でのシステムの挙動をモニタリングすることにより、異常の伝播とその影響を異なる抽象レベルで捉える。
  論文  参考訳（メタデータ） (2024-04-02T04:33:03Z)
• One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
  マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。 提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。 提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
  論文  参考訳（メタデータ） (2024-03-24T13:44:57Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Data-driven Residual Generation for Early Fault Detection with Limited Data [4.129225533930966]
  多くの複雑なシステムでは、システムのための高精度なモデルを開発することは不可能である。 データ駆動型ソリューションは、いくつかの実践的な理由から、産業システムにおいて大きな注目を集めている。 モデルに基づく手法とは異なり、圧力や電圧などの時系列測定を他の情報源と組み合わせることが直接の前進である。
  論文  参考訳（メタデータ） (2021-09-28T03:18:03Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。