Fugu-MT 論文翻訳(概要): Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality

論文の概要: Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality

arxiv url: http://arxiv.org/abs/2601.06186v1
Date: Wed, 07 Jan 2026 23:43:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:00.655565
Title: Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality
Title（参考訳）: ロケット推進システムの時系列異常分類:LSTM精度とデータ品質を向上した高速統計的検出器
Authors: Sean P. Engelstad, Sameul R. Darr, Matthew Taliaferro, Vinay K. Goyal,
Abstract要約: 本稿では,マハラノビス距離と前方後方検出率に基づいて,教師付きトレーニングラベルの調整を行う新しい統計検出器を提案する。実験1回あたり20.8分間の運転時間とO(108)の訓練時間を有する地上段推進システムのディジタルツインシミュレーションについて実験を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Supporting Go/No-Go decisions prior to launch requires assessing real-time telemetry data against redline limits established during the design qualification phase. Family data from ground testing or previous flights is commonly used to detect initiating failure modes and their timing; however, this approach relies heavily on engineering judgment and is more error-prone for new launch vehicles. To address these limitations, we utilize Long-Term Short-Term Memory (LSTM) networks for supervised classification of time-series anomalies. Although, initial training labels derived from simulated anomaly data may be suboptimal due to variations in anomaly strength, anomaly settling times, and other factors. In this work, we propose a novel statistical detector based on the Mahalanobis distance and forward-backward detection fractions to adjust the supervised training labels. We demonstrate our method on digital twin simulations of a ground-stage propulsion system with 20.8 minutes of operation per trial and O(10^8) training timesteps. The statistical data relabeling improved precision and recall of the LSTM classifier by 7% and 22% respectively.
Abstract（参考訳）: 打ち上げ前にGo/No-Go決定をサポートするには、設計資格段階で確立されたレッドライン制限に対してリアルタイムのテレメトリデータを評価する必要がある。地上試験や以前の飛行の家族データは、初期失敗モードとそのタイミングを検出するために一般的に使用されるが、このアプローチはエンジニアリング判断に大きく依存しており、新しい打ち上げ車両ではエラーを起こしやすい。これらの制約に対処するために、時系列異常の教師付き分類にLong-Term Short-Term Memory(LSTM)ネットワークを利用する。しかし, 擬似異常データから導かれる初期訓練ラベルは, 異常強度, 異常沈降時間, その他の要因により, 最適以下である可能性がある。本研究では,マハラノビス距離と前方後方検出率に基づく新しい統計検出器を提案し,教師付きトレーニングラベルの調整を行う。実験1回あたり20.8分間の運転時間とO(10^8)訓練時間を有する地上段推進システムのディジタルツインシミュレーションについて実験を行った。 LSTM分類器の精度とリコールは, それぞれ7%, 22%向上した。

関連論文リスト

Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
論文参考訳（メタデータ） (2025-03-14T17:59:41Z)
Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文参考訳（メタデータ） (2024-10-15T12:55:57Z)
TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data [0.017476232824732776]
本研究では,時間変動型オートエンコーダ(TeVAE)を提案する。適切に設定された場合、TeVAEは異常を6%だけ間違ったタイミングでフラグし、65%の異常を検知する。
論文参考訳（メタデータ） (2024-07-09T13:32:33Z)
Machine Learning with Real-time and Small Footprint Anomaly Detection System for In-Vehicle Gateway [6.9113469208163245]
我々は、自己情報理論を用いて、トレーニングとテストモデルの値を生成することを提案する。提案手法は偽陽性率(FPR)の8.7倍,テスト時間が1.77倍,フットプリントが4.88倍である。
論文参考訳（メタデータ） (2024-06-24T07:23:52Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
A LSTM and Cost-Sensitive Learning-Based Real-Time Warning for Civil Aviation Over-limit [0.0]
QARデータ監視に基づいて,民間航空の過度限界に対するリアルタイム警告モデルを提案する。提案モデルでは,F1スコアが0.991,精度が0.978であり,民間航空の過度なリアルタイム警告の有効性を示す。
論文参考訳（メタデータ） (2023-05-08T10:56:06Z)
A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
論文参考訳（メタデータ） (2023-03-17T00:24:28Z)
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)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
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)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。