論文の概要: Deep Learning-Based Detection of Electrical Faults and Power Quality Disturbances in Aerospace Power Systems

• arxiv url: http://arxiv.org/abs/2609.10479v1
• Date: Wed, 09 Sep 2026 17:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.121103
• Title: Deep Learning-Based Detection of Electrical Faults and Power Quality Disturbances in Aerospace Power Systems
• Title（参考訳）: 深層学習による航空系統の電気的故障と電力品質障害の検出
• Abstract要約: 本研究は,400Hzの電力系統における電気障害と電力品質障害のマルチクラス検出のためのハードウェア対応ディープラーニングフレームワークを提案する。 ボーイング787の電気構造にインスパイアされた高忠実度シミュレーションモデルでは、電圧と電流波形を21の正常、乱れ、切替、開放回路、短絡条件で生成する。
• 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: More Electric Aircraft require fast and reliable monitoring of high-frequency electrical networks, yet most power quality disturbance and fault diagnosis methods are developed for conventional 50 or 60 Hz grids. This work presents a hardware-aware deep learning framework for multiclass detection of electrical faults and power quality disturbances in a 400 Hz aerospace power system. A high-fidelity simulation model inspired by the Boeing 787 electrical architecture generates voltage and current waveforms for 21 normal, disturbance, switching, open-circuit, and short-circuit conditions. Two datasets, each containing 73,500 samples, are formed from one-dimensional time-series signals and short-time Fourier transform time-frequency representations. Signal-processing augmentation, domain randomization, and class-specific generative adversarial networks increase waveform diversity, and the time-series dataset is released through IEEE DataPort. We compare 1D and 2D convolutional neural networks, long short-term memory networks, CNN-LSTM hybrids, ResNet, MobileNet, and VGG models under common training conditions. A compact ResNet provides the best accuracy-complexity tradeoff, achieving 96.94 percent software test accuracy with 175,685 parameters. After 8-bit quantization and deployment on a Xilinx Zynq UltraScale Plus MPSoC ZCU102, the model achieves 95.87 percent accuracy and a measured mean neural-network accelerator latency of 6.90 ms per input record. The results establish simulation-based, accelerator-level feasibility for embedded edge AI in aircraft electrical health monitoring and motivate future end-to-end data acquisition and experimental validation.
• Abstract（参考訳）: より多くの電気航空機は高速で信頼性の高い高周波電気ネットワークの監視を必要とするが、従来の50Hzまたは60Hzのグリッドでは、ほとんどの電力品質の乱れと故障診断法が開発されている。 本研究は,400Hz帯の電力系統における電気障害と電力品質障害のマルチクラス検出のためのハードウェア対応深層学習フレームワークを提案する。 ボーイング787の電気構造にインスパイアされた高忠実度シミュレーションモデルでは、電圧と電流波形を21の正常、乱れ、切替、開放回路、短絡条件で生成する。 73,500個のサンプルを含む2つのデータセットは、1次元の時系列信号と短時間のフーリエ変換時間周波数表現から形成される。 信号処理の強化、ドメインのランダム化、クラス固有の生成逆数ネットワークは波形の多様性を高め、IEEE DataPortを通じて時系列データセットがリリースされる。 我々は,1Dおよび2D畳み込みニューラルネットワーク,長期記憶ネットワーク,CNN-LSTMハイブリッド,ResNet,MobileNet,VGGモデルを比較した。 コンパクトなResNetは、ソフトウェアテストの精度が96.94パーセント、パラメータが175,685である。 Xilinx Zynq UltraScale Plus MPSoC ZCU102上で8ビットの量子化と展開を行った後、このモデルは95.87パーセントの精度を実現し、平均的なニューラルネットワークアクセラレーションレイテンシは入力レコードあたり6.90msである。 その結果、航空機の電気健康モニタリングにおけるエッジAIのシミュレーションに基づくアクセラレーターレベルの実現可能性を確立し、将来的なエンドツーエンドのデータ取得と実験的な検証を動機付けている。

関連論文リスト

• Latency-Aware Deep Learning Benchmark for Real-Time Cyber-Physical Attack and Fault Classification in Inverter-Dominated Power Grids [0.0]
  本研究では,電力系統異常検出におけるディープラーニングモデル評価のための遅延忠実度ベンチマークフレームワークを導入する。 8つのニューラルネットワークアーキテクチャは、ネットワーク内の物理的障害とサイバー攻撃の両方を表すストリーミングデータセットに対して、体系的に評価された。 その結果、アルゴリズム能力とプロテクショングレードのデプロイメントの間に重要なギャップが浮かび上がっている。
  論文  参考訳（メタデータ） (2026-05-17T04:57:30Z)
• FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System [0.30586855806896046]
  本研究では,リアルタイム電流データを用いた自動故障解析のためのトランスフォーマーエンコーダアーキテクチャを提案する。 フォールトXformerは、断層型分類で98.76%、断層位置同定で98.92%の平均的な精度を達成した。
  論文  参考訳（メタデータ） (2026-02-27T18:28:12Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• 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)
• RF-Photonic Deep Learning Processor with Shannon-Limited Data Movement [0.0]
  光ニューラルネットワーク(ONN)は、超低レイテンシとエネルギー消費を持つ有望な加速器である。 我々は、周波数領域のデータを符号化する乗法的アナログ周波数変換ONN(MAFT-ONN)を導入する。 我々は、生のRF信号で完全にアナログのディープラーニングを演算する最初のハードウェアアクセラレータを実験的に実証した。
  論文  参考訳（メタデータ） (2022-07-08T16:37:13Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。