論文の概要: Health Monitoring of Industrial machines using Scene-Aware Threshold Selection

• arxiv url: http://arxiv.org/abs/2111.10897v1
• Date: Sun, 21 Nov 2021 21:01:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 04:53:33.604956
• Title: Health Monitoring of Industrial machines using Scene-Aware Threshold Selection
• Title（参考訳）: シーン認識閾値選択による産業機械の健康モニタリング
• Authors: Arshdeep Singh, Raju Arvind and Padmanabhan Rajan
• Abstract要約: 本稿では,機械が生成した音を用いて産業機械の異常を識別するための,自動エンコーダに基づく教師なし手法を提案する。 分類では,自動エンコーダの訓練に通常の機械音しか使われていないため,異常機械の再構成誤差は通常の機械よりも大きいという仮説を立てた。
• 参考スコア（独自算出の注目度）: 8.619922587791969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an autoencoder based unsupervised approach to identify anomaly in an industrial machine using sounds produced by the machine. The proposed framework is trained using log-melspectrogram representations of the sound signal. In classification, our hypothesis is that the reconstruction error computed for an abnormal machine is larger than that of the a normal machine, since only normal machine sounds are being used to train the autoencoder. A threshold is chosen to discriminate between normal and abnormal machines. However, the threshold changes as surrounding conditions vary. To select an appropriate threshold irrespective of the surrounding, we propose a scene classification framework, which can classify the underlying surrounding. Hence, the threshold can be selected adaptively irrespective of the surrounding. The experiment evaluation is performed on MIMII dataset for industrial machines namely fan, pump, valve and slide rail. Our experiment analysis shows that utilizing adaptive threshold, the performance improves significantly as that obtained using the fixed threshold computed for a given surrounding only.
• Abstract（参考訳）: 本稿では,産業機械における異常を自動エンコーダを用いた非教師なし手法を提案する。 提案手法は,音声信号のログメルスペクトログラム表現を用いて学習する。 分類において,異常な機械に対して計算された復元誤差は,オートエンコーダの訓練に通常の機械音のみが使用されているため,通常の機械よりも大きいという仮説である。 閾値は正常機と異常機を区別するために選択される。 しかし、周囲の条件によって閾値が変化する。 周囲に関係なく適切なしきい値を選択するために,周辺環境を分類可能なシーン分類フレームワークを提案する。 これにより、周囲に関係なく閾値を適応的に選択することができる。 ファン,ポンプ,バルブ,スライドレールといった産業機械のMIMIIデータセットを用いて実験評価を行った。 実験分析の結果,適応しきい値を利用することで,与えられた周囲のみに対して計算した固定しきい値を用いて得られる性能が大幅に向上することが示された。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Anomalous Sound Detection Based on Machine Activity Detection [8.119699312788383]
  我々は,機械状態監視のための教師なし異常音検出手法を開発した。 提案手法は,アンサンブルを用いて異常検出性能を相補的に向上する。
  論文  参考訳（メタデータ） (2022-04-15T07:23:32Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Real-Time Predictive Maintenance using Autoencoder Reconstruction and Anomaly Detection [0.2446672595462589]
  回転機械故障検出システムは時代遅れであり、故障を発見するための定期的な試験に依存している。 リアルタイム監視は、手動による観察を必要とせずに障害を検出するソリューションを提供する。 本稿では,通常の作業動作をモデル化し,異常を検出する機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-01T12:25:25Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines [0.19116784879310028]
  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。
  論文  参考訳（メタデータ） (2021-01-27T16:49:49Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Acoustic Anomaly Detection for Machine Sounds based on Image Transfer Learning [8.828131257265369]
  本稿では,伝達学習による音響的故障検出について考察する。 我々は、画像分類のタスクで事前訓練されたニューラルネットワークを使用する。 ResNetベースのネットワークから抽出した機能は、AlexNetやSqueezenetよりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-06-05T13:29:12Z)
• Anomalous sound detection based on interpolation deep neural network [9.309962824653033]
  本稿では,モデルがスペクトルの複数のフレームを利用する異常検出手法を提案する。 提案手法は標準的なAUCスコアに基づいて27%の改善が得られた。
  論文  参考訳（メタデータ） (2020-05-19T06:12:41Z)
• 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。