論文の概要: Autoencoder-based Condition Monitoring and Anomaly Detection Method for
Rotating Machines
- arxiv url: http://arxiv.org/abs/2101.11539v1
- Date: Wed, 27 Jan 2021 16:49:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 21:18:08.308329
- Title: Autoencoder-based Condition Monitoring and Anomaly Detection Method for
Rotating Machines
- Title(参考訳): 自動エンコーダによる回転機の条件監視と異常検出方法
- Authors: Sabtain Ahmad, Kevin Styp-Rekowski, Sasho Nedelkoski, Odej Kao
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.19116784879310028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rotating machines like engines, pumps, or turbines are ubiquitous in modern
day societies. Their mechanical parts such as electrical engines, rotors, or
bearings are the major components and any failure in them may result in their
total shutdown. Anomaly detection in such critical systems is very important to
monitor the system's health. As the requirement to obtain a dataset from
rotating machines where all possible faults are explicitly labeled is difficult
to satisfy, we propose a method that focuses on the normal behavior of the
machine instead. We propose an autoencoder model-based method for condition
monitoring of rotating machines by using an anomaly detection approach. The
method learns the characteristics of a rotating machine using the normal
vibration signals to model the healthy state of the machine. A threshold-based
approach is then applied to the reconstruction error of unseen data, thus
enabling the detection of unseen anomalies. The proposed method can directly
extract the salient features from raw vibration signals and eliminate the need
for manually engineered features. We demonstrate the effectiveness of the
proposed method by employing two rotating machine datasets and the quality of
the automatically learned features is compared with a set of handcrafted
features by training an Isolation Forest model on either of these two sets.
Experimental results on two real-world datasets indicate that our proposed
solution gives promising results, achieving an average F1-score of 99.6%.
- Abstract(参考訳): エンジン、ポンプ、タービンなどの回転機械は現代の社会で広く使われている。
電気エンジン、ローター、ベアリングなどの機械部品が主要なコンポーネントであり、それらの故障が完全にシャットダウンする可能性があります。
このような重要なシステムの異常検出は、システムの健康を監視するために非常に重要です。
そこで本研究では,全故障を明示的にラベル付けした回転機械からデータセットを取得することの難しさとして,マシンの正常な動作に焦点をあてる手法を提案する。
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。
この方法は、通常の振動信号を用いて回転機の特性を学習し、機械の健全な状態をモデル化する。
しきい値に基づくアプローチが、見知らぬデータの再構成誤差に適用され、見つからない異常を検出することができる。
提案手法は, 生の振動信号から有意な特徴を直接抽出し, 手動で設計された特徴を排除できる。
そこで本研究では,2つの回転機械データセットを用いて提案手法の有効性を実証し,これら2組の孤立林モデルを訓練し,自動学習特徴の質を手作り特徴量と比較した。
2つの実世界のデータセットの実験結果は、提案されたソリューションが有望な結果をもたらし、平均F1スコア99.6%を達成したことを示している。
関連論文リスト
- Statistical Batch-Based Bearing Fault Detection [0.0]
回転機械の領域では、ベアリングはボール、インナーおよびアウターレース断層を含む異なる機械的断層に対して脆弱である。
古典的な信号分析から深層学習まで、様々な手法が条件に基づくモニタリングに利用できる。
論文 参考訳(メタデータ) (2024-07-24T12:45:02Z) - 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) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳(メタデータ) (2023-10-15T18:43:45Z) - 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) - 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) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文 参考訳(メタデータ) (2021-07-05T11:46:00Z) - Real-World Anomaly Detection by using Digital Twin Systems and
Weakly-Supervised Learning [3.0100975935933567]
本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。
これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。
提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
論文 参考訳(メタデータ) (2020-11-12T10:15:56Z) - 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) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。