論文の概要: Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery
- arxiv url: http://arxiv.org/abs/2202.04212v1
- Date: Wed, 9 Feb 2022 01:09:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 01:46:19.087375
- Title: Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery
- Title（参考訳）: 不平衡・雑音データを用いた故障検出と診断 : 回転機械用ハイブリッドフレームワーク
- Authors: Masoud Jalayer, Amin Kaboli, Carlotta Orsenigo, Carlo Vercellis
- Abstract要約: 回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.580765958706854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault diagnosis plays an essential role in reducing the maintenance costs of
rotating machinery manufacturing systems. In many real applications of fault
detection and diagnosis, data tend to be imbalanced, meaning that the number of
samples for some fault classes is much less than the normal data samples. At
the same time, in an industrial condition, accelerometers encounter high levels
of disruptive signals and the collected samples turn out to be heavily noisy.
As a consequence, many traditional Fault Detection and Diagnosis (FDD)
frameworks get poor classification performances when dealing with real-world
circumstances. Three main solutions have been proposed in the literature to
cope with this problem: (1) the implementation of generative algorithms to
increase the amount of under-represented input samples, (2) the employment of a
classifier being powerful to learn from imbalanced and noisy data, (3) the
development of an efficient data pre-processing including feature extraction
and data augmentation. This paper proposes a hybrid framework which uses the
three aforementioned components to achieve an effective signal-based FDD system
for imbalanced conditions. Specifically, it first extracts the fault features,
using Fourier and wavelet transforms to make full use of the signals. Then, it
employs Wasserstein Generative Adversarial Networks (WGAN) to generate
synthetic samples to populate the rare fault class and enhance the training
set. Moreover, to achieve a higher performance a novel combination of
Convolutional Long Short-term Memory (CLSTM) and Weighted Extreme Learning
Machine (WELM) is proposed. To verify the effectiveness of the developed
framework, different datasets settings on different imbalance severities and
noise degrees were used. The comparative results demonstrate that in different
scenarios GAN-CLSTM-ELM outperforms the other state-of-the-art FDD frameworks.
- Abstract（参考訳）: 回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
障害検出と診断の多くの実際の応用において、データは不均衡になりがちであり、ある障害クラスのサンプルの数は通常のデータサンプルよりもはるかに少ない。
同時に、産業環境では、加速度計は高いレベルの破壊的な信号に遭遇し、収集されたサンプルはノイズが大きいことが判明した。
その結果、従来のフォールト検出および診断(fdd)フレームワークの多くは、現実の状況に対処する場合の分類性能が低くなる。
この問題に対処するために,(1)未表現の入力サンプル量を増やす生成アルゴリズムの実装,(2)不均衡でノイズの多いデータから学ぶのに強力な分類器の雇用,(3)特徴抽出とデータ拡張を含む効率的なデータ前処理の開発,の3つの主要な解決策が文献に提案されている。
本稿では, 上記3つの成分を併用して, 不均衡状態に対する効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
具体的には、最初にフーリエ変換とウェーブレット変換を用いて故障の特徴を抽出し、信号を完全に利用する。
次にwassersteingenerative adversarial networks(wgan)を使用して合成サンプルを生成し、希少な障害クラスを投入し、トレーニングセットを強化する。
さらに、高い性能を達成するために、畳み込み長短期記憶(CLSTM)と重み付き極学習機械(WELM)を組み合わせた新しい組み合わせを提案する。
開発したフレームワークの有効性を検証するために,不均衡と騒音度が異なるデータセットの設定を行った。
比較結果は、GAN-CLSTM-ELMが他の最先端のFDDフレームワークよりも優れていることを示している。
関連論文リスト
- 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) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - Imbalanced Data Classification via Generative Adversarial Network with
Application to Anomaly Detection in Additive Manufacturing Process [5.225026952905702]
本稿では, 追加製造プロセスイメージセンサデータを用いたGAN(Generative Adversarial Network)に基づく新しいデータ拡張手法を提案する。
多様性があり高品質な生成されたサンプルは、分類器にバランスの取れたトレーニングデータを提供します。
提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
論文 参考訳（メタデータ） (2022-10-28T16:08:21Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Synthesizing Rolling Bearing Fault Samples in New Conditions: A
framework based on a modified CGAN [1.0569625612398386]
多くの産業において, 故障診断と条件モニタリングは, 運用コストの削減とダウンタイムの削減に不可欠である。
本稿では, 条件付き生成逆数ネットワーク(CGAN)に基づく新しいアルゴリズムを, 実際の故障条件の正常データと故障データに基づいて訓練する。
提案手法は実世界のベアリングデータセット上で検証され, 異なる条件下で故障データを生成する。
論文 参考訳（メタデータ） (2022-06-24T04:47:08Z) - GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins [82.71367011801242]
Internet of Things(IoT)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集する。
高忠実度(HF)応答は、関心の系を正確に記述するが、コストがかかる。
低忠実性(LF)応答は計算コストが低いが、要求される精度を満たせなかった。
デジタル双生児(GAN-MDF)におけるMDFの新たな生成的対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-24T06:40:35Z) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳（メタデータ） (2021-04-13T17:54:33Z) - Real-World Anomaly Detection by using Digital Twin Systems and
Weakly-Supervised Learning [3.0100975935933567]
本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。
これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。
提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-11-12T10:15:56Z) - Oversampling Adversarial Network for Class-Imbalanced Fault Diagnosis [12.526197448825968]
クラス不均衡問題は、データをタイムリーに予測し分類できる堅牢な学習システムを必要とする。
本稿では,同時分類と故障検出のための新しい対向ネットワークを提案する。
論文 参考訳（メタデータ） (2020-08-07T10:12:07Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。