論文の概要: Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized
Operational Neural Networks
- arxiv url: http://arxiv.org/abs/2109.14873v1
- Date: Thu, 30 Sep 2021 06:32:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 03:33:22.028385
- Title: Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized
Operational Neural Networks
- Title（参考訳）: 1次元自己組織型オペレーショナルニューラルネットワークによる回転機械の早期軸受故障診断
- Authors: Turker Ince, Junaid Malik, Ozer Can Devecioglu, Serkan Kiranyaz, Onur
Avci, Levent Eren and Moncef Gabbouj
- Abstract要約: 現代の電気回転機械(RM)の予防メンテナンスは、信頼性の高い運転の確保、予測不能な故障の防止、コストのかかる修理の回避に重要である。
本研究では1次元自己組織型ONN(Self-ONNs)を提案する。
NSF/IMSベアリング振動データセットに対する実験結果から,提案した1D Self-ONNは,計算複雑性の類似した最先端(1D CNN)に対して,大きな性能ギャップを達成できることが示された。
- 参考スコア（独自算出の注目度）: 23.455010509133313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Preventive maintenance of modern electric rotating machinery (RM) is critical
for ensuring reliable operation, preventing unpredicted breakdowns and avoiding
costly repairs. Recently many studies investigated machine learning monitoring
methods especially based on Deep Learning networks focusing mostly on detecting
bearing faults; however, none of them addressed bearing fault severity
classification for early fault diagnosis with high enough accuracy. 1D
Convolutional Neural Networks (CNNs) have indeed achieved good performance for
detecting RM bearing faults from raw vibration and current signals but did not
classify fault severity. Furthermore, recent studies have demonstrated the
limitation in terms of learning capability of conventional CNNs attributed to
the basic underlying linear neuron model. Recently, Operational Neural Networks
(ONNs) were proposed to enhance the learning capability of CNN by introducing
non-linear neuron models and further heterogeneity in the network
configuration. In this study, we propose 1D Self-organized ONNs (Self-ONNs)
with generative neurons for bearing fault severity classification and providing
continuous condition monitoring. Experimental results over the benchmark
NSF/IMS bearing vibration dataset using both x- and y-axis vibration signals
for inner race and rolling element faults demonstrate that the proposed 1D
Self-ONNs achieve significant performance gap against the state-of-the-art (1D
CNNs) with similar computational complexity.
- Abstract（参考訳）: 現代の電気回転機械(RM)の予防メンテナンスは、信頼性の高い運転の確保、予測不能な故障の防止、コストのかかる修理の回避に重要である。
近年,主にベアリング断層の検出に焦点をあてたディープラーニングネットワークに基づく機械学習モニタリング手法の研究が盛んに行われているが,早期断層診断における異常度分類に十分な精度で対応していない。
1次元畳み込みニューラルネットワーク(cnns)は、生の振動や電流信号からrm軸受故障を検出できるが、故障重大度を分類することはできなかった。
さらに、最近の研究では、基礎となる線形ニューロンモデルによる従来のCNNの学習能力の限界が示されている。
近年,非線形ニューロンモデルの導入によるCNNの学習能力向上とネットワーク構成の不均一性向上を目的として,オペレーショナルニューラルネットワーク(ONN)を提案する。
本研究では,障害重大度分類と連続状態監視を行うために,生成ニューロンを用いた1次元自己組織化onn(self-onns)を提案する。
内輪および転動要素故障に対するx軸振動信号とy軸振動信号を用いたNSF/IMSベンチマーク実験の結果, 提案した1D Self-ONNは, 計算量に類似した1D CNNに対して, 顕著な性能差が認められた。
関連論文リスト
- A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
ガンマノイズ除去は合成開口レーダ(SAR)イメージングの応用において重要な研究領域である。
本稿では,正規化ユニットと正規化ユニットを1つのネットワークにアンロールして,エンドツーエンドのトレーニングを行う,チューニング可能な正規化ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-24T17:08:43Z) - DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。
BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。
半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文 参考訳（メタデータ） (2024-06-04T07:24:51Z) - Enhancing Fault Resilience of QNNs by Selective Neuron Splitting [1.1091582432763736]
ディープニューラルネットワーク(DNN)の複雑さに取り組むために量子ニューラルネットワーク(QNN)が登場した。
本稿では,ニューロン脆弱性因子(NVF)に基づく臨界ニューロンの同定にQNNを用いた最近の解析的レジリエンス評価手法を提案する。
計算部分を再設計することなく、加速器内に軽量補正ユニット(LCU)を設計できる臨界ニューロン分割法が提案されている。
論文 参考訳（メタデータ） (2023-06-16T17:11:55Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - SUMO: Advanced sleep spindle identification with neural networks [0.0]
睡眠時スピンドルを自動的に検出するU-Net型ディープニューラルネットワークモデルを提案する。
我々のモデルの性能は、最先端の検出器とMODAデータセットのほとんどの専門家を上回る。
論文 参考訳（メタデータ） (2022-02-06T11:35:47Z) - Robust Peak Detection for Holter ECGs by Self-Organized Operational
Neural Networks [12.773050144952593]
ディープ畳み込みニューラルネットワーク(CNN)はホルターモニタで最先端のパフォーマンスレベルを達成した。
本研究では,生成ニューロンを有する1次元自己組織型ONN(Self-ONNs)を提案する。
その結果、CPSCデータセットでは99.10%のF1スコア、99.79%の感度、98.42%の正の予測性が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-30T19:45:06Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - On sparse connectivity, adversarial robustness, and a novel model of the
artificial neuron [6.09170287691728]
本稿では, ハードウェア要件が低く, 対向性摂動に対して固有の頑健性を有する「強いニューロン」という, 人工ニューロンの新しいモデルを提案する。
SVHN および GTSRB ベンチマークを用いて,本手法の有効性を実証する。
また、強いニューロンを構成するブロックが、敵の攻撃に対して完全な安定性を持つ唯一の活性化機能であることも証明した。
論文 参考訳（メタデータ） (2020-06-16T20:45:08Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。