論文の概要: Fingerprint Recognition of Partial Discharge Signals in Deep Learning Enhanced Rydberg Atomic Sensors

• arxiv url: http://arxiv.org/abs/2603.02925v1
• Date: Tue, 03 Mar 2026 12:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.788158
• Title: Fingerprint Recognition of Partial Discharge Signals in Deep Learning Enhanced Rydberg Atomic Sensors
• Title（参考訳）: 深層学習型Rydberg原子センサにおける部分放電信号の指紋認識
• Authors: Yi-Ming Yin, Qi-Feng Wang, Yu Ma, Tian-Yu Han, Jia-Dou Nan, Zheng-Yuan Zhang, Han-Chao Chen, Xin Liu, Shi-Yao Shao, Jun Zhang, Qing Li, Ya-Jun Wang, Dong-Yang Zhu, Qiao-Qiao Fang, Chao Yu, Bang Liu, Li-Hua Zhang, Dong-Sheng Ding, Bao-Sen Shi,
• Abstract要約: 我々は、部分放電の時間領域応答を直接捉えるために、Rydberg原子センサーを使用している。 1D ResNet深層学習モデルを適用して,手動の機能工学を使わずに,これらの指紋を時間領域信号から認識する。 我々は,ノイズと混合した部分放電信号を解析し,モデルが予測アラームを生成できるシミュレーション早期警戒シナリオにおけるアプローチの有効性を検証した。
• 参考スコア（独自算出の注目度）: 42.41909362660158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial discharge originates from microscopic insulation imperfections in high-voltage apparatus and is widely considered a critical marker of incipient deterioration. Conventional partial discharge detection methods are typically constrained by limited bandwidth and often rely on predefined feature extraction, which impedes reliable recognition of broadband transient signals. In this work, we employ a Rydberg atomic sensor to directly capture time-domain responses of partial discharge emissions and construct distinctive spectral fingerprints for different types. A 1D ResNet deep learning model is then applied to recognize these fingerprints from time-domain signals without manual feature engineering. Under increased source-antenna distances, where spectral features are significantly attenuated, the model attains a recognition accuracy of approximately 94\% across four partial discharge categories, demonstrating robustness to attenuation and noise. We further validate the approach in a simulated early-warning scenario, where partial discharge signals mixed with noise are analyzed and the model successfully generates predictive alarms. These results underscore the potential of integrating Rydberg-based broadband sensing with data-driven analysis for non-invasive, high-sensitivity diagnostics of electrical insulation systems.
• Abstract（参考訳）: 部分放電は、高電圧装置における絶縁欠陥から発生し、初期劣化の臨界マーカーとして広く考えられている。 従来の部分放電検出法は、帯域幅が限られており、しばしば予め定義された特徴抽出に依存しており、ブロードバンド過渡信号の信頼性を損なう。 本研究では、Rydberg原子センサーを用いて、部分放電放電の時間領域応答を直接捕捉し、異なるタイプのスペクトル指紋を構築する。 1D ResNet深層学習モデルを適用して,手動の機能工学を使わずに,これらの指紋を時間領域信号から認識する。 スペクトル特性が著しく減衰するソース・アンテナ距離の増大の下で、このモデルは4つの部分放電カテゴリで約94\%の認識精度を達成し、減衰と雑音に対する堅牢性を示す。 さらに、ノイズと混合した部分放電信号を解析し、モデルが予測アラームをうまく生成するシミュレーション早期警戒シナリオにおけるアプローチを検証する。 これらの結果は、Rydbergベースのブロードバンドセンシングとデータ駆動分析を統合して、電気絶縁システムの非侵襲的、高感度診断を行う可能性を示している。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Digital Twin-Driven Zero-Shot Fault Diagnosis of Axial Piston Pumps Using Fluid-Borne Noise Signals [4.11115562060457]
  軸方向ピストンポンプは流体発電システムにおいて重要な構成要素である。 従来のデータ駆動手法は広範なラベル付き障害データを必要とする。 本稿では,ディジタルツイン駆動型ゼロショット故障診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T11:24:42Z)
• Rethinking Cross-Generator Image Forgery Detection through DINOv3 [62.80415066351157]
  クロスジェネレータ検出は、新しい挑戦フォージェネレータモデルとして登場した。 凍結した視覚基盤モデル、特にDINOv3は、既に強力なクロスジェネレータ検出能力を持っていることを示す。 トレーニング不要なトークンランク戦略を導入し、続いて軽量な線形プローブを用いて、認証関連トークンの小さなサブセットを選択する。
  論文  参考訳（メタデータ） (2025-11-27T14:01:50Z)
• A Multiscale Approach for Enhancing Weak Signal Detection [0.0]
  本研究では、ウェーブレット変換を用いたマルチスケールアプリケーションにおける共鳴(SR)の適用について検討する。 本稿では,2つの単一閾値検出器を統合し,弱い信号検出を向上する二重閾値検出システムを提案する。 実験により、元のデータ領域において、提案したダブルスレッショルド検出器は、従来のシングルスレッショルド手法と比較して、弱い信号検出を著しく改善することを示した。
  論文  参考訳（メタデータ） (2025-10-09T19:13:54Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Non-destructive Fault Diagnosis of Electronic Interconnects by Learning Signal Patterns of Reflection Coefficient in the Frequency Domain [1.8843687952462742]
  本稿では,早期故障検出と相互接続欠陥の正確な診断のための新しい非破壊的手法を提案する。 提案手法は, 周波数範囲にわたる係数反射の信号パターンを利用して, 根本原因同定と重大度評価の両立を可能にする。 実験結果から,本手法は断層検出および診断に有効であり,実世界の産業応用に拡張できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-20T10:51:21Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Temporally Nonstationary Component Analysis; Application to Noninvasive Fetal Electrocardiogram Extraction [12.861130760349631]
  音源信号の非定常性を信号分離の識別特性として用いることができる。 時間的非定常成分抽出のための半盲音源分離アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T20:31:19Z)
• High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
  現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。 高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。 われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
  論文  参考訳（メタデータ） (2021-07-21T07:05:42Z)
• Fault Detection for Covered Conductors With High-Frequency Voltage Signals: From Local Patterns to Global Features [5.453001435164266]
  本稿では,クラスタリング手法に基づくパルス形状解析手法を提案する。 我々は、洞察に富んだ特徴を構築し、優れた検出性能を持つ新しい機械学習モデルを開発する。 提案したモデルは,カグル競技における勝利モデルよりも優れ,現場におけるリアルタイムな乱れを検出する最先端のソリューションを提供する。
  論文  参考訳（メタデータ） (2020-11-01T02:58:19Z)

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。