論文の概要: Generative multi-domain transfer learning for fault detection in data-scarce wind turbines
- arxiv url: http://arxiv.org/abs/2608.30323v1
- Date: Mon, 31 Aug 2026 06:40:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.260826
- Title: Generative multi-domain transfer learning for fault detection in data-scarce wind turbines
- Title（参考訳）: データスカース風力タービンの故障検出のための生成的マルチドメイン伝達学習
- Abstract要約: データスカース風力タービンの故障検出を改善するために,マルチドメイン生成ドメインマッピング手法を提案する。
当社のアプローチは、2週間未満のトレーニングデータが利用可能であれば、不足したデータでトレーニングされたモデルよりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Normal behavior models have shown promise for reliable fault detection in wind turbines. However, these unsupervised anomaly detection models require sufficient fault-free training data to learn the normal operation behavior of turbines. Under data scarcity, for example in newly deployed wind turbines, these models may result in poor fault detection performance. In this work, we propose a multi-domain generative domain mapping approach based on Star Generative Adversarial Networks (StarGAN) to improve fault detection on data-scarce wind turbines. Our model maps SCADA measurements from a data-scarce turbine to resemble those of several data-rich turbines. By preserving the operational state during translation, faults occurring in a data-scarce domain can be mapped and detected by reliable pre-trained normal behavior models of data-rich domains. Highlighting the benefits of an ensemble fusion strategy, we show that under severe data scarcity our method can produce anomaly scores comparable to models trained on large representative datasets. Our approach can consistently outperform models trained on scarce data when less than 2 weeks of training data are available. With just 2 weeks of accumulated training data, we achieve an anomaly score similarity that is, on average, +16% higher than conventional fine-tuning, and +10% higher than single-source domain mapping. As a step towards unsupervised model selection, we propose a proxy metric that detects poor performance at training time, despite an absence of anomalies. Our study presents the potential and challenges of multi-domain mapping for wind turbine fault detection under unrepresentative training data.
- Abstract（参考訳）: 通常の挙動モデルでは、風力タービンの信頼性の高い故障検出が期待できる。
しかし、これらの教師なし異常検出モデルは、タービンの正常動作を学ぶのに十分な故障のない訓練データを必要とする。
例えば、新たに設置された風力タービンでは、データ不足の下では、これらのモデルが故障検出性能を低下させる可能性がある。
本稿では,Star Generative Adversarial Networks (StarGAN) に基づくマルチドメイン生成ドメインマッピング手法を提案する。
本モデルでは,データスカースタービンからのSCADA測定を,複数のデータリッチタービンに類似させる。
翻訳中の動作状態を保存することにより、データ共有ドメインで発生する障害を、データリッチドメインの信頼性の高いトレーニング済みの正常な動作モデルによってマッピングし、検出することができる。
アンサンブル融合戦略の利点を浮き彫りにして、我々の方法では、重度のデータ不足により、大規模な代表データセットで訓練されたモデルに匹敵する異常スコアを生成できることを示す。
当社のアプローチは、2週間未満のトレーニングデータが利用可能であれば、不足したデータでトレーニングされたモデルよりも一貫して優れています。
蓄積したトレーニングデータの2週間で、従来の微調整よりも平均で+16%、単一ソースドメインマッピングより+10%高い異常スコア類似性を達成する。
教師なしモデル選択のステップとして,異常がなくても,訓練時の性能不良を検出するプロキシ指標を提案する。
本研究では,非表現的学習データに基づく風力タービン故障検出のためのマルチドメインマッピングの可能性と課題について述べる。
関連論文リスト
- Trans GAN-WT: A Feature Extraction and Interactive Learning-Based Anomaly Detection Model for Wind Turbine Time Series Data [0.0]
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。
論文 参考訳（メタデータ） (2026-06-02T03:57:08Z) - 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) - 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) - Transfer learning applications for anomaly detection in wind turbines [0.0]
風力タービンの異常検出は通常、異常を早期に検出するために通常の挙動モデルを使用する。
本研究では, 自動エンコーダによる異常検出において, 橋渡し学習をいかに応用できるかを検討する。
論文 参考訳（メタデータ） (2024-04-03T18:48:45Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - 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) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - 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。