論文の概要: Trans GAN-WT: A Feature Extraction and Interactive Learning-Based Anomaly Detection Model for Wind Turbine Time Series Data

• arxiv url: http://arxiv.org/abs/2606.03112v1
• Date: Tue, 02 Jun 2026 03:57:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.742486
• Title: Trans GAN-WT: A Feature Extraction and Interactive Learning-Based Anomaly Detection Model for Wind Turbine Time Series Data
• Title（参考訳）: Trans GAN-WT:風車時系列データの特徴抽出と対話型学習に基づく異常検出モデル
• Authors: Jingzhe Kang,
• Abstract要約: 本稿では,トランスフォーマーと生成対向ネットワークを融合した異常検出モデルを提案する。 これにより、再構成誤差を増幅することにより、小さな偏差異常の漏れ検出率を低減する。 また、自己回帰推論を用いてマルチモーダル特徴を抽出し、トレーニングの安定性と一般化能力を高める。
• 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: With the increasing scale and number of wind farms, wind turbines' daily operation and maintenance costs are increasing. To reduce operation and maintenance costs and enhance the reliability of wind turbine and system operation data before reaching catastrophic failures, monitoring the operating status of the equipment and detecting failures at an early stage is crucial. It is of great practical significance to utilize the working condition data for abnormal assessment of the operating status of wind turbines to realize abnormal monitoring of the operating status of wind turbines. However, the existing anomaly detection methods can neither perform effective relational modeling in data filled with a large amount of redundant information nor reasonably utilize the valuable anomaly data. For this reason, this paper proposes an anomaly detection model that fuses a Transformer and a generative adversarial network. Firstly, it reduces the leakage detection rate of minor deviation anomalies by amplifying the reconstruction error. Secondly, it uses autoregressive inference to extract multimodal features to enhance the stability and generalization ability of training. Finally, the temporal feature extraction module is constructed to promote the interactive learning between features of different time scales and effectively reduce the time redundancy. The results of multiple sets of experiments conducted on real WTG datasets show that TransGAN-WT achieves an average F1 score of 96.10% across multiple wind turbine datasets, which is 5.84% and 2.89% higher than several other state-of-the-art baseline methods. It also realizes a false positive rate (FPR) of 0.06%, and is verified by the Wilcoxon signed-rank test to have achieved a statistically significant performance enhancement compared to the state-of-the-art baseline methods, effectively ensuring the stable operation of wind turbines.
• Abstract（参考訳）: 規模の拡大と風力発電の増加に伴い、風力タービンの日々の運転とメンテナンスコストが増大している。 設備の運転状況を監視し、早期に故障を検出することが重要となる運転・保守コストの低減と、破滅的な故障に達する前に風力タービン及び系統運転データの信頼性の向上を図る。 風力タービンの運転状態の異常評価に作業条件データを利用することで,風力タービンの運転状態の異常モニタリングを実現することが極めて重要である。 しかし,既存の異常検出手法では,大量の冗長な情報に満たされたデータに対して効果的なリレーショナルモデリングを行えず,貴重な異常データを合理的に利用することはできない。 そこで本研究では,トランスフォーマーと生成対向ネットワークを融合した異常検出モデルを提案する。 第一に、再構成誤差を増幅することにより、小さな偏差異常の漏れ検出率を低減する。 第二に、自己回帰推論を用いてマルチモーダル特徴を抽出し、トレーニングの安定性と一般化能力を高める。 最後に、時間的特徴抽出モジュールを構築し、異なる時間スケールの特徴間の対話的学習を促進し、時間的冗長性を効果的に低減する。 実際のWTGデータセットで実施された複数の実験の結果、TransGAN-WTは複数の風力タービンデータセットで平均96.10%のF1スコアを達成しており、これは他のいくつかの最先端のベースライン手法よりも5.84%と2.89%高い。 また、0.06%の偽陽性率(FPR)を実現し、ウィルコクソンのサインランク試験により、最先端のベースライン法と比較して統計的に有意な性能向上を実現し、風力タービンの安定運転を効果的に保証した。

関連論文リスト

• CEEMDAN-Based Multiscale CNN for Wind Turbine Gearbox Fault Detection [0.43776156667195165]
  本研究では,風車用ギアボックスの故障検出のためのハイブリッド手法を提案する。 CEEMDANとマルチスケール畳み込みニューラルネットワーク(MSCNN)を組み合わせている。 提案手法は実世界のデータセットに基づいて評価された98.95%のF1スコアを実現する。
  論文  参考訳（メタデータ） (2026-01-08T21:55:15Z)
• Hybrid Autoencoder-Based Framework for Early Fault Detection in Wind Turbines [0.7156193707786874]
  本稿では,風力タービンにおける教師なし異常検出のためのアンサンブルに基づく新しいディープラーニングフレームワークを提案する。 提案手法は, 0.947のAUC-ROCを実現し, 故障の48時間前に早期故障検出を行う。 このアプローチは、予測的メンテナンスを可能にし、タービンの故障を低減し、大規模風力エネルギー展開における運用効率を向上することで、社会的な価値を著しく高める。
  論文  参考訳（メタデータ） (2025-10-16T10:49:19Z)
• Condition Monitoring with Machine Learning: A Data-Driven Framework for Quantifying Wind Turbine Energy Loss [0.0]
  本研究では,風力タービンのコンディションモニタリングのための高度でスケーラブルな機械学習フレームワークを提案する。 このフレームワークは、厳密な前処理によって正常なタービン挙動を効果的に分離し、ドメイン固有のルールと異常検出フィルタを取り入れている。 データ前処理法は、ウィンドファーム当たりのSCADAデータの平均31%を保持し、大幅なデータ削減をもたらした。
  論文  参考訳（メタデータ） (2025-06-16T00:44:54Z)
• Fault Detection in New Wind Turbines with Limited Data by Generative Transfer Learning [0.0]
  本研究では,1つの風力タービンからのSCADAサンプルを,風力タービンのSCADAデータに代表的訓練データと類似した訓練データを持たせるための,新しい生成的深層移動学習手法を提案する。 その結果, 風力タービンの故障検出精度は有意に向上した。
  論文  参考訳（メタデータ） (2025-04-24T16:14:04Z)
• Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder [3.004788114489393]
  ラベルなしデータセットの精度の高い教師なし異常検出のためのELSTMVAE-DAF-GMM(ELSTMVAE-DAF-GMM)を提案する。 VAEとLSTMを統合したELSTMVAEは,低次元位相空間に高次元時系列データを投影するために用いられた。 新たなDAF(Deep Advanced Feature)は、LSTMVAEモデルから遅延埋め込みと再構成の相違をハイブリダイズし、より包括的なデータ表現を提供する。
  論文  参考訳（メタデータ） (2024-11-16T10:11:36Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• 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)
• 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)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)
• 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。