論文の概要: Avionic Main Fuel Pump Simulation and Fault-Diagnosis Benchmark

• arxiv url: http://arxiv.org/abs/2604.22869v1
• Date: Thu, 23 Apr 2026 19:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.012933
• Title: Avionic Main Fuel Pump Simulation and Fault-Diagnosis Benchmark
• Title（参考訳）: Avionic Main Fuel Pump Simulation and Fault-Diagnosis ベンチマーク
• Authors: Felix Leonhard Janzen, Lukas Moddemann, Alexander Diedrich, Oliver Niggemann,
• Abstract要約: 多くのサイバー物理システム、特に航空機などの重要な応用において、異常検出と診断アルゴリズムを訓練するデータは、データ保護の問題と部分観測可能性のために欠落している。 我々は,テキストscMATLAB/Simulink Simscape Fluidsでモデル化された一般的な航空機主燃料ポンプシステムの高忠実で物理インフォームド・コミュレートを導入する。
• 参考スコア（独自算出の注目度）: 40.16504335998919
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many cyber-physical systems, especially in critical applications such as aeroplanes, data to train anomaly detection and diagnosis algorithms is lacking due to data protection issues and partial observability. To combat this inherent lack of data, we introduce a high-fidelity, physics-informed co-simulation of a common aircraft main-fuel-pump system modelled in \textsc{MATLAB/Simulink Simscape Fluids}. We also describe its generated time-series data with health and fault mode annotations. To show feasibility of our benchmark, we apply an unsupervised Recurrent Variational Autoencoder (RNN-VAE) for anomaly detection and a SOM-VAE for operating mode discretization, trained to separate healthy and faulty conditions.
• Abstract（参考訳）: 多くのサイバー物理システム、特に航空機などの重要な応用において、異常検出と診断アルゴリズムを訓練するデータは、データ保護の問題と部分観測可能性のために欠落している。 このようなデータの欠如に対処するため、我々は、高忠実で物理インフォームド・コシミュレーションにより、textsc{MATLAB/Simulink Simscape fluids} でモデル化された一般的な航空機の主燃料ポンプシステムのコシミュレートを導入する。 また、その生成した時系列データをヘルスおよびフォールトモードアノテーションで記述する。 本ベンチマークの有効性を示すために, 異常検出のための教師なしリカレント変分自動エンコーダ (RNN-VAE) と, 正常条件と故障条件の分離を訓練した動作モード離散化のためのSOM-VAEを適用した。

関連論文リスト

• An Open-Access Benchmark of Statistical and Machine-Learning Anomaly Detection Methods for Battery Applications [0.0]
  OSBADは、バッテリーアプリケーションにおける異常検出フレームワークのためのオープンソースのベンチマークである。 15の多様なアルゴリズムをベンチマークすることで、OSBADは異常検出方法の体系的な比較を可能にする。
  論文  参考訳（メタデータ） (2025-11-03T16:57:18Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model [0.0]
  本稿では,RPMとフライトデータを用いて,故障プロペラの同定と,故障レベルの分類に焦点をあてる。 オフライントレーニングデータ生成を実現するために,仮想データ生成モデルの開発にハイブリッドアプローチを提案する。 その結果, 実験により, プロペラ断層の位置と損傷の程度, タイプを同定できることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T05:28:02Z)
• 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)
• In-flight Novelty Detection with Convolutional Neural Networks [0.0]
  本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。 本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。 このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
  論文  参考訳（メタデータ） (2021-12-07T15:19:41Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• 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)
• 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。