論文の概要: FaultNet: A Deep Convolutional Neural Network for bearing fault classification

• arxiv url: http://arxiv.org/abs/2010.02146v2
• Date: Tue, 2 Feb 2021 23:24:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 22:25:45.708696
• Title: FaultNet: A Deep Convolutional Neural Network for bearing fault classification
• Title（参考訳）: FaultNet: 断層分類のための深部畳み込みニューラルネットワーク
• Authors: Rishikesh Magar, Lalit Ghule, Junhan Li, Yang Zhao and Amir Barati Farimani
• Abstract要約: 我々は、異なる信号処理法を組み合わせることで、機械系の振動信号データを軸受で解析する。 本稿では,高精度にベアリング障害のタイプを効果的に決定できる畳み込みニューラルネットワークFactNetを提案する。
• 参考スコア（独自算出の注目度）: 7.148679715851955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increased presence of advanced sensors on the production floors has led to the collection of datasets that can provide significant insights into machine health. An important and reliable indicator of machine health, vibration signal data can provide us a greater understanding of different faults occurring in mechanical systems. In this work, we analyze vibration signal data of mechanical systems with bearings by combining different signal processing methods and coupling them with machine learning techniques to classify different types of bearing faults. We also highlight the importance of using different signal processing methods and analyze their effect on accuracy for bearing fault detection. Apart from the traditional machine learning algorithms we also propose a convolutional neural network FaultNet which can effectively determine the type of bearing fault with a high degree of accuracy. The distinguishing factor of this work is the idea of channels proposed to extract more information from the signal, we have stacked the Mean and Median channels to raw signal to extract more useful features to classify the signals with greater accuracy.
• Abstract（参考訳）: 生産フロアにおける高度なセンサーの存在が増加し、マシンの健康に関する重要な洞察を提供するデータセットの収集につながった。 機械の健康の重要かつ信頼性の高い指標である振動信号データにより、機械系で発生した異なる故障の理解を深めることができる。 そこで本研究では, 異なる信号処理法を組み合わせることで, 機械系の振動信号データを解析し, 各種軸受故障を分類するための機械学習手法と結合する。 また, 異なる信号処理手法を用いることの重要性を強調し, 故障検出の精度への影響を分析する。 また,従来の機械学習アルゴリズムとは別に,高い精度で軸受故障の種類を効果的に判定できる畳み込みニューラルネットワークフォールトネットを提案する。 本研究の差別化要因は,信号からより多くの情報を抽出するためのチャネルの提案であり,さらに精度の高い信号の分類に有用な特徴を抽出するために,平均チャネルとメディアチャネルを生信号に積み重ねた。

関連論文リスト

• Bearing Fault Diagnosis using Graph Sampling and Aggregation Network [7.9129510166723085]
  軸受欠陥のタイムリーかつ正確な検出は、破滅的な事故の防止と製品品質の確保に重要な役割を果たしている。 従来の信号解析手法と深層学習に基づく故障検出アルゴリズムは、信号間の複雑な相関を考慮に入れない。 本稿では, GSABFD (GraphSAGE-based Bearing fault Diagnosis) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-12T12:32:03Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Adversarial Perturbations of Physical Signals [0.0]
  我々は、ソースと干渉器が検出器への波として伝播する信号を発信するシナリオを考察する。 我々は、受信信号のスペクトルに対する摂動がほとんど知覚できないにもかかわらず、検出器がソースを誤分類する干渉信号を構築する。 実験により,様々な機械学習モデルに対して,効果的かつ物理的に実現可能な対向摂動を計算できることが実証された。
  論文  参考訳（メタデータ） (2024-02-27T00:41:00Z)
• 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)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• 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)
• Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
  グラフニューラルネットワークを用いた新しい故障検出手法を提案する。 AIと現実世界のメカニカルシステムの間に橋を架けている。 提案手法は, 通常の対象領域に混在する異常物体を検出する。
  論文  参考訳（メタデータ） (2022-04-24T08:54:55Z)
• A Multi-size Kernel based Adaptive Convolutional Neural Network for Bearing Fault Diagnosis [5.811146610419976]
  マルチサイズカーネルを用いた適応畳み込みニューラルネットワーク(MSKACNN)と呼ばれる軸受振動特性に基づくデータ駆動型診断アルゴリズムを提案する。 MSKACNNは振動特徴学習と信号分類機能を提供し、ベアリング障害を特定し解析する。
  論文  参考訳（メタデータ） (2022-03-29T06:43:30Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines [0.19116784879310028]
  自動エンコーダモデルに基づく回転機の状態監視手法を異常検出手法を用いて提案する。 提案手法は, 生の振動信号から塩分の特徴を直接抽出できる。 2つの実世界のデータセットにおける実験結果は、提案手法が有望な結果をもたらすことを示している。
  論文  参考訳（メタデータ） (2021-01-27T16:49:49Z)

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。