論文の概要: Temporal clustering network for self-diagnosing faults from vibration measurements

• arxiv url: http://arxiv.org/abs/2006.09505v1
• Date: Tue, 16 Jun 2020 20:34:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 21:41:34.943769
• Title: Temporal clustering network for self-diagnosing faults from vibration measurements
• Title（参考訳）: 振動計測による自己診断断層の時間的クラスタリングネットワーク
• Authors: G. Zhang (Michigan Engineering Services), A. R. Singer (Michigan Engineering Services), N. Vlahopoulos (University of Michigan)
• Abstract要約: 本稿では,オペレーティングシステム上での加速度計測処理のための時間クラスタリングネットワーク(TCN)機能を提案する。 この新しい能力は、測定を処理するための1次元畳み込みニューラルネットワーク(1D-CNN)、教師なし学習(例えば、異なる操作条件からのラベル付き信号がなく、1D-CNNのトレーニングにプリスチン対損傷条件の信号は必要ない)、クラスタリング(すなわち、異なるクラスタ内の異なる操作条件を反映するシグナルをグループ化する)、およびプリスチン操作条件に関連するクラスタのいずれにも属さない障害信号を特定する統計的解析を使用する。
• 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: There is a need to build intelligence in operating machinery and use data analysis on monitored signals in order to quantify the health of the operating system and self-diagnose any initiations of fault. Built-in control procedures can automatically take corrective actions in order to avoid catastrophic failure when a fault is diagnosed. This paper presents a Temporal Clustering Network (TCN) capability for processing acceleration measurement(s) made on the operating system (i.e. machinery foundation, machinery casing, etc.), or any other type of temporal signals, and determine based on the monitored signal when a fault is at its onset. The new capability uses: one-dimensional convolutional neural networks (1D-CNN) for processing the measurements; unsupervised learning (i.e. no labeled signals from the different operating conditions and no signals at pristine vs. damaged conditions are necessary for training the 1D-CNN); clustering (i.e. grouping signals in different clusters reflective of the operating conditions); and statistical analysis for identifying fault signals that are not members of any of the clusters associated with the pristine operating conditions. A case study demonstrating its operation is included in the paper. Finally topics for further research are identified.
• Abstract（参考訳）: オペレーティングシステムの健全性を定量化し、障害の発生を自己診断するために、運用機械にインテリジェンスを構築し、監視された信号にデータ分析を使用する必要がある。 内蔵された制御手順は、障害の診断時に破滅的な失敗を避けるために、自動的に修正措置を取ることができる。 本稿では,オペレーティングシステム上で発生した加速度測定(機械基礎,機械ケーシングなど)を処理し,異常発生時の監視信号に基づいて時間的クラスタリングネットワーク(TCN)機能を提案する。 The new capability uses: one-dimensional convolutional neural networks (1D-CNN) for processing the measurements; unsupervised learning (i.e. no labeled signals from the different operating conditions and no signals at pristine vs. damaged conditions are necessary for training the 1D-CNN); clustering (i.e. grouping signals in different clusters reflective of the operating conditions); and statistical analysis for identifying fault signals that are not members of any of the clusters associated with the pristine operating conditions. その動作を示すケーススタディが論文に含まれている。 最後に、さらなる研究のトピックが特定される。

関連論文リスト

• Deep learning-based fault identification in condition monitoring [0.26249027950824505]
  振動に基づく条件モニタリング技術は、転がり要素軸受の欠陥を特定するために一般的に用いられる。 故障検出手順の精度と速度は, 条件モニタリングにおける重要な性能指標である。 転がり要素軸受におけるリアルタイム故障同定のための畳み込みニューラルネットワーク(CNN)を用いた手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T10:31:13Z)
• Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
  従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。 本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。 実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
  論文  参考訳（メタデータ） (2023-10-12T18:23:06Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
  本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。 実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-12T18:36:02Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Self-Supervised and Interpretable Anomaly Detection using Network Transformers [1.0705399532413615]
  本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。 NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。 提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
  論文  参考訳（メタデータ） (2022-02-25T22:05:59Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Residual Generation Using Physically-Based Grey-Box Recurrent Neural Networks For Engine Fault Diagnosis [1.0152838128195467]
  物理モデルと利用可能なトレーニングデータを組み合わせたハイブリッド故障診断手法は有望な結果を示した。 システムモデルの二部グラフ表現を用いて自動残差設計を行い、グレーボックス再帰ニューラルネットワークを設計する。 内燃機関テストベンチからのデータは、機械学習とモデルに基づく故障診断技術を組み合わせる可能性を示すために使用される。
  論文  参考訳（メタデータ） (2020-08-11T11:59:48Z)

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。