論文の概要: Quick Learning Mechanism with Cross-Domain Adaptation for Intelligent
Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2103.08889v1
- Date: Tue, 16 Mar 2021 07:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 19:58:46.676479
- Title: Quick Learning Mechanism with Cross-Domain Adaptation for Intelligent
Fault Diagnosis
- Title(参考訳): 知的障害診断のためのクロスドメイン適応型クイックラーニング機構
- Authors: Arun K. Sharma, Nishchal K. Verma
- Abstract要約: 本稿では, 可変作業条件下で動作する回転機械の知的故障診断のための高速学習機構を提案する。
本研究では,Net2Net変換による素早い学習法と,新規データの最大平均不一致をキャンセル・最小化するための微調整法を提案する。
提案手法の有効性は,CWRUデータセット,IMSベアリングデータセット,Paderborn大学データセットで実証されている。
- 参考スコア(独自算出の注目度): 11.427019313283997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a quick learning mechanism for intelligent fault
diagnosis of rotating machines operating under changeable working conditions.
Since real case machines in industries run under different operating
conditions, the deep learning model trained for a laboratory case machine fails
to perform well for the fault diagnosis using recorded data from real case
machines. It poses the need of training a new diagnostic model for the fault
diagnosis of the real case machine under every new working condition.
Therefore, there is a need for a mechanism that can quickly transform the
existing diagnostic model for machines operating under different conditions. we
propose a quick learning method with Net2Net transformation followed by a
fine-tuning method to cancel/minimize the maximum mean discrepancy of the new
data to the previous one. This transformation enables us to create a new
network with any architecture almost ready to be used for the new dataset. The
effectiveness of the proposed fault diagnosis method has been demonstrated on
the CWRU dataset, IMS bearing dataset, and Paderborn university dataset. We
have shown that the diagnostic model trained for CWRU data at zero load can be
used to quickly train another diagnostic model for the CWRU data at different
loads and also for the IMS dataset. Using the dataset provided by Paderborn
university, it has been validated that the diagnostic model trained on
artificially damaged fault dataset can be used for quickly training another
model for real damage dataset.
- Abstract(参考訳): 本稿では, 可変作業条件下で動作する回転機械の知的故障診断のための高速学習機構を提案する。
産業における実ケースマシンは異なる運転条件下で動作するため、実験室のケースマシンで訓練されたディープラーニングモデルは、実ケースマシンから記録されたデータを用いて、故障診断のためにうまく動作しない。
これは、新しい作業条件のすべての下で、実ケースマシンの故障診断のための新しい診断モデルをトレーニングする必要がある。
したがって、異なる条件下で動作しているマシンの既存の診断モデルを迅速に変換できるメカニズムが必要である。
本稿では,net2netトランスフォーメーションを用いたクイックラーニング手法と,前者に対する新しいデータの最大平均誤差を最小化するための微調整手法を提案する。
この変換により、新しいデータセットにほぼ使えるアーキテクチャで、新しいネットワークを作ることができます。
提案手法の有効性は,CWRUデータセット,IMSベアリングデータセット,Paderborn大学データセットで実証されている。
我々は,cwruデータをゼロロードでトレーニングした診断モデルを用いて,異なる負荷のcwruデータとimsデータセットの他の診断モデルを迅速にトレーニングできることを実証した。
Paderborn大学が提供するデータセットを用いて、人工的な損傷を受けた障害データセットに基づいてトレーニングされた診断モデルは、実際の損傷データセットのための他のモデルの迅速なトレーニングに使用できることが検証された。
関連論文リスト
- DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-27T03:25:12Z) - 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) - Fault Diagnosis using eXplainable AI: a Transfer Learning-based Approach
for Rotating Machinery exploiting Augmented Synthetic Data [0.0]
FaultD-XAIは、移動学習に基づいて回転機械の故障を分類するための汎用的で解釈可能なアプローチである。
伝達学習を用いたスケーラビリティを実現するため、動作中の故障特性を模倣した合成振動信号を作成する。
提案手法は,有望な診断性能を得るだけでなく,専門家が条件を特定するために使用する特徴も学習することができた。
論文 参考訳(メタデータ) (2022-10-06T15:02:35Z) - Deep Learning and Handheld Augmented Reality Based System for Optimal
Data Collection in Fault Diagnostics Domain [0.0]
本稿では,最小限のデータを用いて故障診断を行う新しいヒューマン・マシン・インタラクション・フレームワークを提案する。
必要なデータの最小化は、障害の診断におけるデータ駆動モデルの実践可能性を高める。
提案するフレームワークは,各障害条件のインスタンスが1つしかない新しいデータセットに対して,100%以上の精度とリコールを提供する。
論文 参考訳(メタデータ) (2022-06-15T19:15:26Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - 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) - Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。
ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
論文 参考訳(メタデータ) (2020-07-25T04:03:18Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。