論文の概要: Probabilistic Bearing Fault Diagnosis Using Gaussian Process with
Tailored Feature Extraction
- arxiv url: http://arxiv.org/abs/2109.09189v1
- Date: Sun, 19 Sep 2021 18:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 08:55:00.218488
- Title: Probabilistic Bearing Fault Diagnosis Using Gaussian Process with
Tailored Feature Extraction
- Title（参考訳）: 形状抽出によるガウス過程を用いた確率的軸受異常診断
- Authors: Mingxuan Liang, Kai Zhou
- Abstract要約: 転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。
現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。
本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 10.064000794573756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rolling bearings are subject to various faults due to its long-time operation
under harsh environment, which will lead to unexpected breakdown of machinery
system and cause severe accidents. Deep learning methods recently have gained
growing interests and extensively applied in the data-driven bearing fault
diagnosis. However, current deep learning methods perform the bearing fault
diagnosis in the form of deterministic classification, which overlook the
uncertainties that inevitably exist in actual practice. To tackle this issue,
in this research we develop a probabilistic fault diagnosis framework that can
account for the uncertainty effect in prediction, which bears practical
significance. This framework fully leverages the probabilistic feature of
Gaussian process classifier (GPC). To facilitate the establishment of
high-fidelity GPC, the tailored feature extraction with dimensionality
reduction method can be optimally determined through the cross validation-based
grid search upon a prespecified method pool consisting of various kernel
principal component analysis (KPCA) methods and stacked autoencoder. This
strategy can ensure the complex nonlinear relations between the features and
faults to be adequately characterized. Furthermore, the sensor fusion concept
is adopted to enhance the diagnosis performance. As compared with the
traditional deep learning methods, this proposed framework usually requires
less labeled data and less effort for parameter tuning. Systematic case studies
using the publicly accessible experimental rolling bearing dataset are carried
out to validate this new framework. Various influencing factors on fault
diagnosis performance also are thoroughly investigated.
- Abstract（参考訳）: 転がり軸受は、過酷な環境下での長時間の運転により、機械システムの予期せぬ故障や重大事故を引き起こす様々な障害にさらされている。
近年,深層学習が関心を集め,データ駆動型ベアリング障害診断に広く応用されている。
しかし,現在の深層学習法では,必然的に存在する不確かさを無視する決定論的分類という形で,ベアリング障害の診断を行う。
この問題に対処するため,本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
このフレームワークはガウスプロセス分類器(GPC)の確率的特徴を完全に活用する。
高忠実度GPCの確立を容易にするため、多種多様なカーネル主成分分析(KPCA)法と積み重ねオートエンコーダからなる所定の方法プール上で、クロスバリデーションに基づくグリッドサーチにより、分割された特徴抽出を最適に行うことができる。
この戦略は、特徴と欠点の間の複雑な非線形関係を適切に特徴付けることができる。
さらに、診断性能を高めるためにセンサ融合の概念を採用する。
従来のディープラーニング手法と比較すると,このフレームワークではラベル付きデータが少なく,パラメータチューニングの労力も少ないのが一般的である。
実験用転がり軸受データセットを用いたシステムケーススタディを行い,本フレームワークの有効性を検証した。
また, 故障診断性能に及ぼす各種要因について検討した。
関連論文リスト
- Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Robust Learning Based Condition Diagnosis Method for Distribution
Network Switchgear [8.515214508489558]
本稿では,分散ネットワークスイッチギアの状態を診断するための頑健な学習手法を提案する。
本手法は, 環境データ, 温度測定, スイッチ位置, モータ動作, 絶縁条件, 局所放電情報を含む拡張特徴ベクトルを含む。
論文 参考訳（メタデータ） (2023-11-14T07:20:46Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially
Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。
提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。
提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
論文 参考訳（メタデータ） (2023-10-20T23:56:53Z) - Constructive Incremental Learning for Fault Diagnosis of Rolling
Bearings with Ensemble Domain Adaptation [6.7898797318208075]
転がり軸受の故障診断は 様々な作業条件において 現実的な問題です。
外部環境の複雑さと転がり軸受の構造は、しばしばランダムさとファジネスによって特徴づけられる欠点を示す。
本稿では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-29T02:23:58Z) - Internal Contrastive Learning for Generalized Out-of-distribution Fault
Diagnosis (GOOFD) Framework [8.668685281157373]
本稿では, 故障検出, 故障分類, 新たな故障診断など, 診断サブタスクを統合するための汎用フレームワークを提案する。
提案手法の基盤となる内部コントラスト学習に基づく統合的故障診断手法を提案する。
実験で示されたように,提案手法は既存手法と比較して性能が向上する。
論文 参考訳（メタデータ） (2023-06-27T07:50:25Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z)
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。