Fugu-MT 論文翻訳(概要): Kalman Prototypical Networks for Few-shot Fault Detection in Combined Cycle Gas Turbines

論文の概要: Kalman Prototypical Networks for Few-shot Fault Detection in Combined Cycle Gas Turbines

arxiv url: http://arxiv.org/abs/2606.26710v1
Date: Thu, 25 Jun 2026 07:41:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.194924
Title: Kalman Prototypical Networks for Few-shot Fault Detection in Combined Cycle Gas Turbines
Title（参考訳）: 複合サイクルガスタービンにおけるフラストショット故障検出のためのカルマン型ネットワーク
Abstract要約: 複合サイクルガスタービン(CCGT)は現代の発電において重要な役割を担い、高効率と環境負荷の低減を図っている。複雑な熱流体と機械的相互作用は、特にラベル付き断層データが不足している場合に、断層検出を複雑にする。本稿では,CCGTの故障診断に特化して開発されたKalman Prototypeal Network(KPN)について紹介する。
参考スコア（独自算出の注目度）: 7.586238488851779
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Combined-cycle gas turbines (CCGTs) play a key role in modern power generation, offering both high efficiency and reduced environmental impact. However, their complex thermo-fluid and mechanical interactions complicate fault detection, particularly when labeled fault data are scarce. In this paper, we introduce the Kalman Prototypical Network (KPN), a metric-based few-shot learning (FSL) framework specifically tailored for CCGT fault diagnosis. We model the evolution of class prototypes as latent stochastic states in a dynamic system to reduce episodic variance and improve robustness in embedding representation. Synthetic data sets generated with a high-fidelity Modelica-based dynamic simulation of an offshore CCGT system were used, simulating both normal operation and progressive leak faults under transient conditions. Application of the proposed framework on simulated leak fault detection tasks demonstrate that KPN outperforms conventional FSL methods such as Matching Networks, Relation Networks, and MAML in both accuracy and stability under varying support and query configurations. The proposed framework significantly improves training convergence and generalization by stabilizing class representations, making it well-suited for real-world CCGT fault detection where labeled data is limited.
Abstract（参考訳）: 複合サイクルガスタービン(CCGT)は現代の発電において重要な役割を担い、高効率と環境負荷の低減を図っている。しかし、その複雑な熱流体と機械的相互作用は、特にラベル付き断層データが不足している場合に、断層検出を複雑にする。本稿では,CCGTの故障診断に特化して開発されたFSLフレームワークであるKalman Prototypeal Network(KPN)を紹介する。我々は, クラスプロトタイプの進化を動的システムにおける潜在確率状態としてモデル化し, エピソジックな分散を低減し, 埋め込み表現の堅牢性を向上させる。高忠実度モデルによる沖合CCGTシステムの動的シミュレーションにより生成された合成データセットを用いて, 過渡的条件下での正常動作と進行リーク断層の両方をシミュレーションした。提案手法の適用により,KPN はマッチングネットワークやリレーショナルネットワーク,MAML などの従来の FSL 手法よりも,様々なサポートやクエリ構成下での精度と安定性に優れていた。提案フレームワークは,クラス表現の安定化によるトレーニング収束と一般化を著しく改善し,ラベル付きデータに制限のある実世界のCCGT故障検出に適している。

関連論文リスト

Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection [0.22940141855172033]
CP-APR構造異常スコアと正規化フローから導出される潜在空間密度スコアを結合した重み付き異常融合フレームワークを提案する。実験の結果,HLSFフレームワークは,実世界のユーザ認証情報を漏洩したデータセット上での異常検出性能を向上することがわかった。
論文参考訳（メタデータ） (2026-07-20T19:57:21Z)
Fast Cross-Scenario Adaptation of CSI Models via Channel Conditional Parameter Generation [71.49439535846827]
Conditional Channel Generation (CCPG) は、動的無線環境におけるCSIモデルの迅速な展開のためのエンドツーエンドパイプラインである。 CCPGは、コンポーネント凍結実験を通じてシーンに敏感な適応ボトルネックを特定し、軽量なLoRA重みのみを生成する。 CSIフィードバックとチャネル推定のためのDeepMIMOとWAIR-Dの実験は、CCPGが1回の前進パスで約3秒で新しいシナリオに適応することを示している。
論文参考訳（メタデータ） (2026-06-22T13:20:01Z)
Hierarchical Federated Learning with Dynamic Clustering and Adaptive Regularization for Robust Infrastructure Inspection [46.657161089480375]
本稿では,新しい階層型フェデレーション学習フレームワークを提案する。このフレームワークは、相乗的な2層最適化戦略を編成する。大規模で実世界の構造検査データセットに関する総合的な評価は、マクロクラスタリングとマイクロレギュラー化の階層的な統合が二重レベルの不均一性をうまく中和することを示した。
論文参考訳（メタデータ） (2026-06-02T03:14:26Z)
PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。本手法は,結合予測システムの長期安定性を著しく向上させる。
論文参考訳（メタデータ） (2026-05-09T13:12:33Z)
Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience [0.0]
本稿では,Long Short-Term Memory(LSTM)ネットワークと手作りグラフトポロジカル特徴を統合するハイブリッドフレームワークであるFraudShield AIを提案する。クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。
論文参考訳（メタデータ） (2026-05-02T02:10:20Z)
Extended Hybrid Timed Petri Nets with Semi-Supervised Anomaly Detection for Switched Systems, Modelling and Fault Detection [0.0]
本稿では,ハイブリッド力学系のための統合障害検出フレームワークを提案する。拡張時間連続ペトリネットモデルと半教師付き異常検出を統合している。その結果,高い検出精度,高速収束,ロバスト性能が得られた。
論文参考訳（メタデータ） (2026-04-05T10:54:15Z)
Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文参考訳（メタデータ） (2026-03-12T18:19:21Z)
PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
論文参考訳（メタデータ） (2025-08-13T05:26:43Z)
Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
論文参考訳（メタデータ） (2025-02-26T17:06:13Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)

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。