論文の概要: CNN-DST: ensemble deep learning based on Dempster-Shafer theory for
vibration-based fault recognition
- arxiv url: http://arxiv.org/abs/2110.07191v1
- Date: Thu, 14 Oct 2021 07:34:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 13:21:33.543083
- Title: CNN-DST: ensemble deep learning based on Dempster-Shafer theory for
vibration-based fault recognition
- Title（参考訳）: CNN-DST:Dempster-Shafer理論に基づくアンサンブル深層学習による振動に基づく断層認識
- Authors: Vahid Yaghoubi, Liangliang Cheng, Wim Van Paepegem, Mathias Kersemans
- Abstract要約: 本研究では,畳み込みニューラルネットワーク(CNN)とDempster-Shafer理論(DST)に基づくアンサンブル深層学習フレームワークを提案する。
提案したCNN-DSTフレームワークを検証するために,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答を用いて作成した実験データセットに適用した。
提案したCNN-DSTフレームワークはタービンブレードを平均予測精度97.19%で分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Nowadays, using vibration data in conjunction with pattern recognition
methods is one of the most common fault detection strategies for structures.
However, their performances depend on the features extracted from vibration
data, the features selected to train the classifier, and the classifier used
for pattern recognition. Deep learning facilitates the fault detection
procedure by automating the feature extraction and selection, and
classification procedure. Though, deep learning approaches have challenges in
designing its structure and tuning its hyperparameters, which may result in a
low generalization capability. Therefore, this study proposes an ensemble deep
learning framework based on a convolutional neural network (CNN) and
Dempster-Shafer theory (DST), called CNN-DST. In this framework, several CNNs
with the proposed structure are first trained, and then, the outputs of the
CNNs selected by the proposed technique are combined by using an improved
DST-based method. To validate the proposed CNN-DST framework, it is applied to
an experimental dataset created by the broadband vibrational responses of
polycrystalline Nickel alloy first-stage turbine blades with different types
and severities of damage. Through statistical analysis, it is shown that the
proposed CNN-DST framework classifies the turbine blades with an average
prediction accuracy of 97.19%. The proposed CNN-DST framework is benchmarked
with other state-of-the-art classification methods, demonstrating its high
performance. The robustness of the proposed CNN-DST framework with respect to
measurement noise is investigated, showing its high noise-resistance. Further,
bandwidth analysis reveals that most of the required information for detecting
faulty samples is available in a small frequency range.
- Abstract（参考訳）: 現在、振動データとパターン認識法を併用することは、構造物における最も一般的な故障検出戦略の1つである。
しかし, その性能は, 振動データから抽出した特徴, 分類器を訓練する特徴, パターン認識に用いる分類器に依存する。
深層学習は特徴抽出と選択、分類の手順を自動化することにより、欠陥検出手順を容易にする。
しかし、ディープラーニングアプローチは、その構造を設計し、ハイパーパラメータをチューニングする上で困難があり、その結果、一般化能力は低くなる可能性がある。
そこで本研究では,CNN-DSTと呼ばれる畳み込みニューラルネットワーク(CNN)とDST(Dempster-Shafer theory)に基づくアンサンブル深層学習フレームワークを提案する。
本フレームワークでは,提案手法により選択されたCNNの出力を改良したDST法を用いて,まず,提案手法を用いた複数のCNNを訓練する。
提案したCNN-DSTフレームワークを検証するため,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答と損傷強度の異なる実験データセットに適用した。
統計的解析により, 提案するcnn-dstフレームワークは, 平均予測精度97.19%でタービンブレードを分類した。
提案するCNN-DSTフレームワークは他の最先端の分類手法とベンチマークを行い,その性能を実証した。
測定ノイズに対するCNN-DSTフレームワークのロバスト性について検討し,高い耐雑音性を示した。
さらに, 帯域幅解析により, 故障サンプル検出に必要な情報のほとんどは, 少ない周波数範囲で利用可能であることが判明した。
関連論文リスト
- On the Condition Monitoring of Bolted Joints through Acoustic Emission and Deep Transfer Learning: Generalization, Ordinal Loss and Super-Convergence [0.12289361708127876]
本稿では, 畳み込みニューラルネットワーク(CNN)を用いた深部伝達学習を用いて, 音響放射を用いたボルト付き関節のモニタリングを行う。
3本のボルトで接続された2本の細いビームからなる構造であるORION-AEベンチマークを用いて,本手法の性能評価を行った。
論文 参考訳（メタデータ） (2024-05-29T13:07:21Z) - Combating Label Noise With A General Surrogate Model For Sample
Selection [84.61367781175984]
本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。
提案手法の有効性を実世界および合成ノイズデータセットで検証した。
論文 参考訳（メタデータ） (2023-10-16T14:43:27Z) - Vibration-Based Condition Monitoring By Ensemble Deep Learning [0.0]
本研究では,アンサンブル深層学習手法に基づくフレームワークを提案する。
提案手法は,Equiax多結晶ニッケル合金第一段タービンブレードから収集した実試験データに適用した。
論文 参考訳（メタデータ） (2021-10-13T09:51:40Z) - Hierarchical Deep Recurrent Neural Network based Method for Fault
Detection and Diagnosis [0.3670422696827526]
The algorithm is based on a Supervised Deep Recurrent Autoencoder Neural Network (Supervised DRAE-NN)
外部擬似ランダムバイナリ信号(prbs)がシステムに設計・注入され、初期故障を識別する。
階層構造に基づく戦略は初期故障と非初期故障の両方において検出と分類の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2020-12-07T17:11:56Z) - A novel multi-classifier information fusion based on Dempster-Shafer
theory: application to vibration-based fault detection [0.0]
個別分類器の性能を高めるために, 新規な多重分類器融合法を開発した。
証拠間の衝突を計測し緩和するために、新しい計量に基づく前処理技術が考案された。
論文 参考訳（メタデータ） (2020-12-04T09:16:35Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。