論文の概要: Predicting Bearings' Degradation Stages for Predictive Maintenance in the Pharmaceutical Industry

• arxiv url: http://arxiv.org/abs/2203.03259v1
• Date: Mon, 7 Mar 2022 10:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 14:38:23.491988
• Title: Predicting Bearings' Degradation Stages for Predictive Maintenance in the Pharmaceutical Industry
• Title（参考訳）: 製薬業界の予測維持のための軸受の劣化段階予測
• Authors: Dovile Juodelyte, Veronika Cheplygina, Therese Graversen, Philippe Bonnet
• Abstract要約: 製薬業界では、生産機械のメンテナンスを規制当局が監査しなければならない。 予測的メンテナンスの問題は、いつマシンをメンテナンスするかではなく、特定の時点でどのパーツをメンテナンスするかである。 劣化過程を自動予測する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）: 2.9535432638533994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the pharmaceutical industry, the maintenance of production machines must be audited by the regulator. In this context, the problem of predictive maintenance is not when to maintain a machine, but what parts to maintain at a given point in time. The focus shifts from the entire machine to its component parts and prediction becomes a classification problem. In this paper, we focus on rolling-elements bearings and we propose a framework for predicting their degradation stages automatically. Our main contribution is a k-means bearing lifetime segmentation method based on high-frequency bearing vibration signal embedded in a latent low-dimensional subspace using an AutoEncoder. Given high-frequency vibration data, our framework generates a labeled dataset that is used to train a supervised model for bearing degradation stage detection. Our experimental results, based on the FEMTO Bearing dataset, show that our framework is scalable and that it provides reliable and actionable predictions for a range of different bearings.
• Abstract（参考訳）: 製薬業界では、生産機械のメンテナンスを規制当局が監査しなければならない。 この文脈では、予測メンテナンスの問題は、マシンをいつ維持するかではなく、ある時点においてどの部分を維持するべきかである。 フォーカスはマシン全体からコンポーネント部分へとシフトし、予測は分類問題となる。 本稿では,転がり要素軸受に着目し,劣化ステージを自動的に予測する枠組みを提案する。 本研究の主な貢献は,オートエンコーダを用いた低次元部分空間に埋め込んだ高周波受動振動信号に基づくK平均寿命分割法である。 高周波振動データを与えると, 軸受劣化ステージ検出のための教師ありモデルの訓練に使用されるラベル付きデータセットを生成する。 femtoのベアリングデータセットに基づく実験結果から,当社のフレームワークはスケーラブルであり,さまざまなベアリングに対して信頼性と実行可能な予測を提供する。

関連論文リスト

• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification [7.136205674624813]
  本稿では,トランスモデルに基づく自己教師型事前学習および微調整フレームワークを提案する。 特に、最先端のアキュラシーに到達するための異なるトークン化とデータ拡張戦略について検討する。 このパラダイムでは、異なるベアリング、障害、機械からラベル付けされていないデータに基づいてモデルを事前訓練し、新しいデータスカースアプリケーションに素早くデプロイすることが可能になる。
  論文  参考訳（メタデータ） (2023-12-04T22:51:02Z)
• A Closer Look at Bearing Fault Classification Approaches [1.9531938396288886]
  近年,転がり軸受の異常診断が注目されている。 近年の技術進歩により、これらの資産の健全性を大規模に監視できるようになった。 近年,転がり軸受の異常診断が注目されている。
  論文  参考訳（メタデータ） (2023-09-29T06:11:11Z)
• 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)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings [0.7409922717686698]
  極端学習機械(ELM)とロジスティックマッピングに基づく転がり軸受の新しい高速故障診断法を提案する。 ケース・ウェスタン・リザーブ大学(CWRU)ベアリング・データ・センターの転がり軸受振動信号データセットについて広範な実験を行った。 提案手法は,予測精度の観点から既存のSOTA比較法より優れており,最大精度は7つのサブデータ環境において100%である。
  論文  参考訳（メタデータ） (2022-04-23T03:11:02Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)
• Reinforcement Learning Approach to Vibration Compensation for Dynamic Feed Drive Systems [62.19441737665902]
  機械工具軸に適用された振動補償に対する強化学習に基づくアプローチを提案する。 本研究は, 産業機械のハードウェアと制御システムを用いた問題定式化, ソリューション, 実装, 実験について述べる。
  論文  参考訳（メタデータ） (2020-04-14T14:22:36Z)

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。