論文の概要: FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN)
based Ball-Bearing Failure Detection Method
- arxiv url: http://arxiv.org/abs/2008.00930v1
- Date: Thu, 30 Jul 2020 06:37:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 13:59:52.379389
- Title: FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN)
based Ball-Bearing Failure Detection Method
- Title（参考訳）: FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN) based Ball-Bearing Failure Detection Method
- Authors: Jairo Viola, YangQuan Chen and Jing Wang
- Abstract要約: 本稿では,回転軸用ボールベアリング接合部の故障検出のためのFaultFace法を提案する。
Deep Convolutional Generative Adversarial Networkは、バランスの取れたデータセットを得るために、名目と失敗の振る舞いの新しいフェイスポートを作成するために使用される。
- 参考スコア（独自算出の注目度）: 4.543665832042712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Failure detection is employed in the industry to improve system performance
and reduce costs due to unexpected malfunction events. So, a good dataset of
the system is desirable for designing an automated failure detection system.
However, industrial process datasets are unbalanced and contain little
information about failure behavior due to the uniqueness of these events and
the high cost for running the system just to get information about the
undesired behaviors. For this reason, performing correct training and
validation of automated failure detection methods is challenging. This paper
proposes a methodology called FaultFace for failure detection on Ball-Bearing
joints for rotational shafts using deep learning techniques to create balanced
datasets. The FaultFace methodology uses 2D representations of vibration
signals denominated faceportraits obtained by time-frequency transformation
techniques. From the obtained faceportraits, a Deep Convolutional Generative
Adversarial Network is employed to produce new faceportraits of the nominal and
failure behaviors to get a balanced dataset. A Convolutional Neural Network is
trained for fault detection employing the balanced dataset. The FaultFace
methodology is compared with other deep learning techniques to evaluate its
performance in for fault detection with unbalanced datasets. Obtained results
show that FaultFace methodology has a good performance for failure detection
for unbalanced datasets.
- Abstract（参考訳）: 故障検出は、予期せぬ故障イベントによるシステム性能の向上とコスト削減のために業界で採用されている。
したがって、自動故障検出システムの設計には、システムの優れたデータセットが望ましい。
しかし、産業プロセスデータセットは不均衡であり、これらのイベントのユニークさと、望ましくない振る舞いに関する情報を得るためにシステムを実行するための高コストのため、障害行動に関する情報はほとんど含まない。
そのため,自動故障検出手法の正確なトレーニングと検証は困難である。
本稿では, 深層学習技術を用いた回転軸用ボールベアリング接合部の故障検出のためのFaultFace法を提案する。
断層面法では,振動信号の2次元表現を時間周波数変換法で求めた。
得られた顔画像から、名目と故障行動の新たな顔画像を作成し、バランスのとれたデータセットを得るために、深い畳み込み型生成逆ネットワークを用いる。
このバランスされたデータセットを用いて、畳み込みニューラルネットワークを故障検出のために訓練する。
FaultFaceの方法論は他のディープラーニング手法と比較し、不均衡なデータセットによる障害検出のパフォーマンスを評価する。
その結果,フォールトフェイス手法は不均衡データセットの障害検出に優れた性能を示すことがわかった。
関連論文リスト
- Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。
従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。
我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
論文 参考訳（メタデータ） (2024-07-04T14:28:52Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
電力系統の信頼性を確保するためには絶縁体の検査が重要である。
検査プロセスを自動化するために、ディープラーニングがますます活用されています。
本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
論文 参考訳（メタデータ） (2023-11-14T11:36:20Z) - Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。
ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。
本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-27T17:22:41Z) - Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。
本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。
ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-11T15:49:29Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - 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) - 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) - 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) - Continual Learning for Fake Audio Detection [62.54860236190694]
本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。
ASVspoof 2019データセットで実験が行われる。
論文 参考訳（メタデータ） (2021-04-15T07:57:05Z) - Detection Method Based on Automatic Visual Shape Clustering for
Pin-Missing Defect in Transmission Lines [1.602803566465659]
ボルトは送電線で最も多くのファスナーであり、分割ピンを失う傾向にある。
タイムリーかつ効率的なトラブルシューティングを実現するために,伝送線路のボルトの自動ピン欠落検出を実現する方法は難しい問題である。
本稿では、ピン欠落検出のためのAVSCNet(Automatic Visual Shape Clustering Network)と呼ばれる自動検出モデルを構築した。
論文 参考訳（メタデータ） (2020-01-17T10:57:37Z)
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。