論文の概要: Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part I: Basic Concepts, Neural Networks, and Variants

• arxiv url: http://arxiv.org/abs/2512.22190v1
• Date: Sat, 20 Dec 2025 10:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.871818
• Title: Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part I: Basic Concepts, Neural Networks, and Variants
• Title（参考訳）: 変圧器条件モニタリングのための物理インフォームド機械学習 -その1:基本概念,ニューラルネットワーク,変数
• Authors: Jose I. Aizpurua,
• Abstract要約: 電力トランスは電力ネットワークにおいて重要な資産であり、信頼性はグリッドの弾力性と安定性に直接影響を及ぼす。 従来の状態監視アプローチ(ルールベースまたは純粋に物理ベース)は、不確実性、データ可用性の制限、現代的な動作条件の複雑さに苦しむ。 機械学習(ML)の最近の進歩は、これらの手法を補完し拡張するための強力なツールを提供し、より正確な診断、予後、制御を可能にしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power transformers are critical assets in power networks, whose reliability directly impacts grid resilience and stability. Traditional condition monitoring approaches, often rule-based or purely physics-based, struggle with uncertainty, limited data availability, and the complexity of modern operating conditions. Recent advances in machine learning (ML) provide powerful tools to complement and extend these methods, enabling more accurate diagnostics, prognostics, and control. In this two-part series, we examine the role of Neural Networks (NNs) and their extensions in transformer condition monitoring and health management tasks. This first paper introduces the basic concepts of NNs, explores Convolutional Neural Networks (CNNs) for condition monitoring using diverse data modalities, and discusses the integration of NN concepts within the Reinforcement Learning (RL) paradigm for decision-making and control. Finally, perspectives on emerging research directions are also provided.
• Abstract（参考訳）: 電力トランスは電力ネットワークにおいて重要な資産であり、信頼性はグリッドの弾力性と安定性に直接影響を及ぼす。 従来の状態監視アプローチ(ルールベースまたは純粋に物理ベース)は、不確実性、データ可用性の制限、現代的な動作条件の複雑さに苦しむ。 機械学習(ML)の最近の進歩は、これらの手法を補完し拡張するための強力なツールを提供し、より正確な診断、予後、制御を可能にしている。 本シリーズでは、トランスフォーマー条件モニタリングと健康管理タスクにおけるニューラルネットワーク(NN)の役割とその拡張について検討する。 本稿では,NNの基本概念を紹介し,多様なデータモダリティを用いた条件監視のための畳み込みニューラルネットワーク(CNN)について検討し,意思決定と制御のための強化学習(RL)パラダイムにおけるNN概念の統合について考察する。 また、新たな研究の方向性についても考察する。

関連論文リスト

• Self-Organising Memristive Networks as Physical Learning Systems [0.8752279866335758]
  物理システムによる学習は、物理基板の本質的な非線形ダイナミクスを学習に活用しようとする、新たなパラダイムである。 このパースペクティブは、抵抗性メモリナノスケールコンポーネントからなる物理ネットワークを用いた有望なアプローチである。 この視点の全体的目的は、ナノテクノロジー、統計物理学、複雑なシステム、そして自己組織化原理の収束が、いかにして新しい世代の物理知能技術を前進させるユニークな機会を提供するかを示すことである。
  論文  参考訳（メタデータ） (2025-08-31T08:44:02Z)
• Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
  PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。 本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。 PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
  論文  参考訳（メタデータ） (2025-08-29T12:15:32Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
  物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。 本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。 そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-15T23:53:32Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Neural Network Verification in Control [3.3123634393237706]
  このチュートリアルはまず、NNの堅牢性を検証する最新のテクニックを紹介し、統一する。 その後、これらの技術は、神経フィードバックループの正式な保証を提供するように拡張される。 提案したツールは, 閉ループ到達性解析と頑健な深層強化学習を可能にする。
  論文  参考訳（メタデータ） (2021-09-30T22:28:44Z)
• Decentralized Control with Graph Neural Networks [147.84766857793247]
  分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。 GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。 分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
  論文  参考訳（メタデータ） (2020-12-29T18:59:14Z)

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。