論文の概要: Fast-varying Natural Frequencies and Damping Ratio Identification for Linear Time-Varying System

• arxiv url: http://arxiv.org/abs/2609.20138v1
• Date: Thu, 17 Sep 2026 12:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.260303
• Title: Fast-varying Natural Frequencies and Damping Ratio Identification for Linear Time-Varying System
• Title（参考訳）: 線形時変系における高速変動自然周波数と減衰比同定
• Abstract要約: 本研究では,LTVシステムのシステム識別のための物理応用機械学習手法を提案する。 提案手法は振動データ(変位と速度の測定)、モーダル減衰率の領域知識、物理モデルを用いている。 その結果, 選択した高速変動自然周波数, 1st Fore-Aft (FA-1) モードを最大根平均二乗誤差0.0012Hzで正確に同定できることがわかった。
• 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: This work proposes a physics-enhanced machine learning approach for the system identification of Linear Time-Varying (LTV) systems under time-varying operating conditions in terms of fast-varying natural frequencies and damping ratios by combining a long short-term memory network with an Extended Kalman Filter (EKF). The proposed approach uses vibration data (displacement and velocity measurements), domain knowledge of modal damping ratios, and a physics-based model that can yield an approximate natural frequencies time-dependency model. The approach is validated using synthetic data generated from a finite element model of a 2-blade offshore wind turbine under realistic environmental and operating conditions. This system displays fast time-varying frequencies due to operating conditions, whose identification is particularly challenging because of the wind and wave loading. The robustness of the proposed approach is assessed under assumed incorrect system information (e.g. damping ratio). The proposed approach is evaluated across different environmental and operating conditions to show its applicability to different operating regimes. The results show the approach can accurately identify the selected fast-varying natural frequency, 1st Fore-Aft (FA-1) mode, with a maximum root mean square error of 0.0012 Hz. The results demonstrate that the model trained on EKF estimates depends on accurate damping values, whereas the model trained on physics-based data exhibits robustness to incorrect damping assumptions. The approach is extended to damping ratio identification for the selected mode by estimating the root mean square error between models trained on EKF estimates and physics-based data. The results show that the approach can yield a good approximation of the FA-1 mode damping ratio using grid search, offering an improvement over covariance-driven stochastic subspace identification.
• Abstract（参考訳）: 本研究では,長い短期記憶ネットワークと拡張カルマンフィルタ(EKF)を組み合わせることで,時間変化の少ない自然周波数と減衰率の条件下での線形時間バリアリング(LTV)システム同定のための物理強化機械学習手法を提案する。 提案手法は、振動データ(変位と速度の測定)、モーダル減衰率の領域知識、および近似的な自然周波数時間依存性モデルを生成する物理モデルを用いている。 本手法は, 実環境および運転条件下での2ブレードオフショア風力タービンの有限要素モデルから生成された合成データを用いて検証した。 本システムは,風と波の負荷による識別が特に困難である運転条件により,時間変化の速い周波数を表示する。 提案手法のロバスト性は,不正確なシステム情報(例えば減衰率)に基づいて評価される。 提案手法は,異なる環境条件と運用条件にまたがって評価され,異なる運用体制に適用可能であることを示す。 その結果, 選択した高速変動自然周波数, 1st Fore-Aft (FA-1) モードを最大根平均二乗誤差0.0012Hzで正確に同定できることがわかった。 その結果、EKFの推定値に基づいてトレーニングされたモデルが正確な減衰値に依存しているのに対し、物理データに基づくトレーニングされたモデルは、誤った減衰仮定に対する堅牢性を示すことがわかった。 提案手法は,EKF推定に基づくモデルと物理に基づくデータとの根平均二乗誤差を推定することにより,選択モードの減衰比同定に拡張される。 その結果,この手法は格子探索によるFA-1モード減衰率の良好な近似を導出し,共分散駆動型確率的部分空間同定よりも優れた結果が得られることがわかった。

関連論文リスト

• Model-Aware Schedules Improve Generation via Fiberwise Optimal Transport [1.1014388269312267]
  拡散および流れマッチングスケジュールは、アフィン確率経路に沿ってデータとノイズを混合する信号と雑音係数を制御する。 ファイバーワイド最適輸送に基づくモデル認識型スケジュール構築を提案する。 我々は,予測対象,トレーニング構成,リスク推定チェックポイント,データセット,アーキテクチャ間のDDPMとフローマッチングを評価した。
  論文  参考訳（メタデータ） (2026-09-10T17:30:44Z)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Efficient Time-Domain Simulation of USV Motions in Short-Crested Irregular Waves Using an IRF-Based Framework [22.925743719340442]
  不規則波における容器の動きの伝統的な時間領域予測は、多くの正規波成分からの重畳応答に依存する。 本研究では, インパルス応答関数(IRF)に基づく時間領域フレームワークを適用し, 短絡不規則波の容器運動を予測する。
  論文  参考訳（メタデータ） (2026-06-23T04:30:21Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks [0.0]
  フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。 本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-30T21:41:24Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。