論文の概要: Apply VGGNet-based deep learning model of vibration data for prediction model of gravity acceleration equipment

• arxiv url: http://arxiv.org/abs/2005.10985v2
• Date: Wed, 19 Aug 2020 02:49:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 08:59:52.418195
• Title: Apply VGGNet-based deep learning model of vibration data for prediction model of gravity acceleration equipment
• Title（参考訳）: VGGNetを用いた重力加速度装置の予測モデルのための振動データ深層学習モデル
• Authors: SeonWoo Lee, HyeonTak Yu, HoJun Yang, JaeHeung Yang, GangMin Lim, KyuSung Kim, ByeongKeun Choi, and JangWoo Kwon
• Abstract要約: 本稿では,超重力加速器の故障を積極的に防止する予測モデルを提案する。 深層学習モデルを用いて, 振動信号をスペクトルに変換し, 分類訓練を行うことが目的であった。 実験の結果、提案手法は99.5%のF1スコアを持ち、既存の特徴ベース学習モデルの76.25%よりも最大23%高い値を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Hypergravity accelerators are a type of large machinery used for gravity training or medical research. A failure of such large equipment can be a serious problem in terms of safety or costs. This paper proposes a prediction model that can proactively prevent failures that may occur in a hypergravity accelerator. The method proposed in this paper was to convert vibration signals to spectograms and perform classification training using a deep learning model. An experiment was conducted to evaluate the performance of the method proposed in this paper. A 4-channel accelerometer was attached to the bearing housing, which is a rotor, and time-amplitude data were obtained from the measured values by sampling. The data were converted to a two-dimensional spectrogram, and classification training was performed using a deep learning model for four conditions of the equipment: Unbalance, Misalignment, Shaft Rubbing, and Normal. The experimental results showed that the proposed method had a 99.5% F1-Score, which was up to 23% higher than the 76.25% for existing feature-based learning models.
• Abstract（参考訳）: ハイパーグラビティ加速器(hypergravity accelerators)は、重力トレーニングや医学研究に用いられる大型機械の一種である。 このような大型機器の故障は、安全性やコストの面で深刻な問題となる可能性がある。 本稿では,超重力加速器の故障を積極的に防止する予測モデルを提案する。 本稿では,振動信号をスペクトルに変換し,深層学習モデルを用いて分類訓練を行う手法を提案する。 本論文で提案する手法の性能を評価する実験を行った。 ロータである軸受ハウジングに4チャンネル加速度計を装着し,サンプリングにより測定値から時刻データを得た。 データは2次元スペクトログラムに変換され、機器の4つの条件(アンバランス、ミサライメント、シャフトラビング、ノーマル)についてディープラーニングモデルを用いて分類訓練を行った。 実験の結果,提案手法は99.5%f1-scoreであり,既存の機能ベース学習モデルの76.25%よりも最大23%高い値を示した。

関連論文リスト

• Flying Quadrotors in Tight Formations using Learning-based Model Predictive Control [30.715469693232492]
  本研究では、第一原理モデリングとデータ駆動アプローチの利点を組み合わせたフレームワークを提案する。 このモデルを新しい学習ベースの予測モデル制御フレームワークに組み込むことで、性能が大幅に向上することを示す。 また,本フレームワークは,46秒の飛行データのみを用いて,例外的なサンプル効率を実現している。
  論文  参考訳（メタデータ） (2024-10-13T05:03:16Z)
• Ionospheric Scintillation Forecasting Using Machine Learning [0.4369058206183195]
  この研究は、振幅シンチレーションの強度を予測できる機械学習(ML)モデルの開発に焦点を当てている。 XGBoostモデルは最も効果的なモデルとして登場し、バランスの取れたデータセットでトレーニングした場合、顕著な77%の予測精度を示した。
  論文  参考訳（メタデータ） (2024-08-28T08:21:01Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model [4.903969235471705]
  深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
  論文  参考訳（メタデータ） (2021-10-09T06:26:42Z)
• Machine Learning Based Prediction of Future Stress Events in a Driving Scenario [1.2891210250935146]
  提案モデルでは,足と手にあるGalvanic Skin Response信号から抽出した特徴と,運転者の胸部からの呼吸・心電図信号から抽出した特徴を取り入れた。 その結果、モデルの性能は良好であり、車両のストレス防止システムの一部として使用できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-08T20:12:38Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Predicting heave and surge motions of a semi-submersible with neural networks [4.0097067208724955]
  半潜水艇のヒーブ動作とサージ動作を予測するために,LSTM(Long Short-term memory)に基づく機械学習モデルを開発した。 測定波の助けを借りて、予測は46.5秒を将来まで延長し、平均精度は90%近くになった。
  論文  参考訳（メタデータ） (2020-07-31T11:24:46Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。