論文の概要: Condition Assessment of Stay Cables through Enhanced Time Series Classification Using a Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2101.03701v1
• Date: Mon, 11 Jan 2021 05:08:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 21:23:24.717031
• Title: Condition Assessment of Stay Cables through Enhanced Time Series Classification Using a Deep Learning Approach
• Title（参考訳）: 深層学習による時系列分類の強化による静止ケーブルの条件評価
• Authors: Zhiming Zhang, Jin Yan, Liangding Li, Hong Pan, and Chuanzhi Dong
• Abstract要約: 本研究では,無傷状態からバイアスパターンを認識し,測定ケーブル力によるケーブル損傷を検知するデータ駆動方式を提案する。 提案手法は, ケーブルを損傷したケーブル架設橋上で試験した。
• 参考スコア（独自算出の注目度）: 4.648677931378919
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This study proposes a data-driven method that detects cable damage from measured cable forces by recognizing biased patterns from the intact conditions. The proposed method solves the pattern recognition problem for cable damage detection through time series classification (TSC) in deep learning, considering that the cable's behavior can be implicitly represented by the measured cable force series. A deep learning model, long short term memory fully convolutional network (LSTM-FCN), is leveraged by assigning appropriate inputs and representative class labels for the TSC problem, First, a TSC classifier is trained and validated using the data collected under intact conditions of stay cables, setting the segmented data series as input and the cable (or cable pair) ID as class labels. Subsequently, the classifier is tested using the data collected under possible damaged conditions. Finally, the cable or cable pair corresponding to the least classification accuracy is recommended as the most probable damaged cable or cable pair. The proposed method was tested on an in-service cable-stayed bridge with damaged stay cables. Two scenarios in the proposed TSC scheme were investigated: 1) raw time series of cable forces were fed into the classifiers; and 2) cable force ratios were inputted in the classifiers considering the possible variation of force distribution between cable pairs due to cable damage. Combining the results of TSC testing in these two scenarios, the cable with rupture was correctly identified. This study proposes a data-driven methodology for cable damage detection that requires the least data preprocessing and feature engineering, which enables fast and convenient early detection in real applications.
• Abstract（参考訳）: 本研究では,無傷状態からバイアスパターンを認識し,測定ケーブル力によるケーブル損傷を検知するデータ駆動方式を提案する。 提案手法は,ケーブルの挙動を実測ケーブル力列で暗黙的に表現できることを考慮して,深層学習における時系列分類(TSC)によるケーブル損傷検出のパターン認識問題を解く。 深層学習モデル、長期記憶完全畳み込みネットワーク(LSTM-FCN)は、TSC問題に対して適切な入力と代表クラスラベルを割り当て、まず、静止ケーブルの無傷な条件下で収集されたデータを用いてTSC分類器を訓練、検証し、セグメント化されたデータ系列を入力とし、ケーブル(またはケーブルペア)IDをクラスラベルとする。 その後、損傷可能な条件下で収集されたデータを用いて分類器を試験する。 最後に、最少分類精度に対応するケーブル又はケーブル対を、最も破損しやすいケーブル又はケーブル対として推奨する。 提案手法は, ケーブルを損傷したケーブル架設橋上で試験した。 提案手法における2つのシナリオについて検討し, 1) ケーブル力の生時間列を分類器に供給し, 2) ケーブル損傷によるケーブル対間の力分布の変動を考慮したケーブル力比を分類器に入力した。 これら2つのシナリオにおけるTSC試験の結果と組み合わせて, 断裂したケーブルを正しく同定した。 本研究では,ケーブル損傷検出のためのデータ駆動手法を提案する。データプリプロセッシングと機能工学を最小にし,実アプリケーションにおいて迅速かつ便利な早期検出を可能にする。

関連論文リスト

• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)
• A Collision-Aware Cable Grasping Method in Cluttered Environment [12.17415219032655]
  粗い環境下での堅牢なケーブルグルーピングを容易にするために設計したケーブル型Grasp畳み込みニューラルネットワークを提案する。 我々は、ケーブルポーズの複雑さを模倣し、ケーブルとロボットグリップの潜在的な衝突を要因とするデータセットを生成する。 我々は、ケーブルで92.3%、未知のケーブルで88.4%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-02-22T12:47:04Z)
• A robust deep learning-based damage identification approach for SHM considering missing data [12.46223206282221]
  欠落したデータは構造的健康モニタリング法の伝導に大きな影響を及ぼす。 本稿では,欠落したデータ事例を考慮に入れたロバストな損傷識別手法を提案する。 その結果、欠落したデータ計算と損傷識別を併用できることが判明した。
  論文  参考訳（メタデータ） (2023-03-31T18:00:56Z)
• Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
  ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。 本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
  論文  参考訳（メタデータ） (2023-03-02T18:24:26Z)
• Bayes risk CTC: Controllable CTC alignment in Sequence-to-Sequence tasks [63.189632935619535]
  予測アライメントの望ましい特性を強制するためにベイズリスクCTC(BRCTC)を提案する。 BRCTCを他の早期排出の選好と組み合わせることで、オンラインモデルの性能・遅延トレードオフが改善される。
  論文  参考訳（メタデータ） (2022-10-14T03:55:36Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Mapping the Buried Cable by Ground Penetrating Radar and Gaussian-Process Regression [21.43182752819447]
  本稿では,地中貫入レーダ(GPR)とガウス過程の回帰に基づく地下ケーブルの位置推定法を提案する。 実世界のデータセット実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-01-25T08:32:14Z)
• 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)
• Frequency-based tension assessment of an inclined cable with complex boundary conditions using the PSO algorithm [5.674726559114232]
  本研究の目的は,ケーブルの両端の複雑な境界条件を考慮した周波数に基づくケーブル張力同定手法を提案することである。 提案手法は,中国における吊り橋(神東橋)のアンカースパンの張力同定に応用された。
  論文  参考訳（メタデータ） (2021-08-11T04:07:27Z)
• Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders [0.0]
  高インピーダンス断層(HIF)は、電流振幅が低く、非常に多様な特性のため、検出が困難である。 機械学習(ML)は、データからパターンを学習し、HIFを正常に検出するため、HIF検出で人気を集めている。 本稿では教師なし学習を活用し,HIF検出のための畳み込みオートエンコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-24T18:58:43Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。