論文の概要: Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings

• arxiv url: http://arxiv.org/abs/2204.11845v1
• Date: Sat, 23 Apr 2022 03:11:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 12:40:17.636331
• Title: Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings
• Title（参考訳）: ロジスティックELM:転がり軸受の新しい故障診断法
• Authors: Zhenhua Tan, Jingyu Ning, Kai Peng, Zhenche Xia, and Danke Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7409922717686698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fault diagnosis of rolling bearings is a critical technique to realize predictive maintenance for mechanical condition monitoring. In real industrial systems, the main challenges for the fault diagnosis of rolling bearings pertain to the accuracy and real-time requirements. Most existing methods focus on ensuring the accuracy, and the real-time requirement is often neglected. In this paper, considering both requirements, we propose a novel fast fault diagnosis method for rolling bearings, based on extreme learning machine (ELM) and logistic mapping, named logistic-ELM. First, we identify 14 kinds of time-domain features from the original vibration signals according to mechanical vibration principles and adopt the sequential forward selection (SFS) strategy to select optimal features from them to ensure the basic predictive accuracy and efficiency. Next, we propose the logistic-ELM for fast fault classification, where the biases in ELM are omitted and the random input weights are replaced by the chaotic logistic mapping sequence which involves a higher uncorrelation to obtain more accurate results with fewer hidden neurons. We conduct extensive experiments on the rolling bearing vibration signal dataset of the Case Western Reserve University (CWRU) Bearing Data Centre. The experimental results show that the proposed approach outperforms existing SOTA comparison methods in terms of the predictive accuracy, and the highest accuracy is 100% in seven separate sub data environments. The relevant code is publicly available at https://github.com/TAN-OpenLab/logistic-ELM.
• Abstract（参考訳）: 転がり軸受の故障診断は, メカニカルコンディショニングの予測保守を実現する重要な手法である。 実産業システムでは, 転がり軸受の故障診断の主な課題は, 精度とリアルタイムの要件である。 既存の手法のほとんどは精度の確保に重点を置いており、リアルタイムの要求はしばしば無視される。 本稿では,両要件を考慮し,extreme learning machine (elm) とlogistic mappingに基づく転がり軸受の高速故障診断法であるlogistic-elmを提案する。 まず, 原振動信号から14種類の時間領域特徴を機械振動原理に従って同定し, その最適特徴を選択できる逐次前方選択(sfs)戦略を適用し, 基本予測精度と効率性を確保する。 次に, 高速断層分類のためのロジスティックELMを提案する。そこでは, ELMのバイアスを省略し, ランダムな入力重みをカオス的ロジスティックマッピングシーケンスに置き換える。 西日本予備大学(cwru)軸受データセンターにおける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。 実験の結果,提案手法は予測精度において既存のSOTA比較法よりも優れており,最大精度は7つのサブデータ環境において100%であることがわかった。 関連するコードはhttps://github.com/TAN-OpenLab/logistic-ELMで公開されている。

関連論文リスト

• Quadratic Time-Frequency Analysis of Vibration Signals for Diagnosing Bearing Faults [15.613528945524791]
  本稿では, 騒音レベルの異なる軸受欠陥を診断するための時間周波数解析と深層学習の融合について述べる。 転がり要素軸受の様々な欠陥を診断するための時間周波数畳み込みニューラルネットワーク(TF-CNN)を設計する。
  論文  参考訳（メタデータ） (2024-01-02T12:02:50Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• 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)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• A Multi-size Kernel based Adaptive Convolutional Neural Network for Bearing Fault Diagnosis [5.811146610419976]
  マルチサイズカーネルを用いた適応畳み込みニューラルネットワーク(MSKACNN)と呼ばれる軸受振動特性に基づくデータ駆動型診断アルゴリズムを提案する。 MSKACNNは振動特徴学習と信号分類機能を提供し、ベアリング障害を特定し解析する。
  論文  参考訳（メタデータ） (2022-03-29T06:43:30Z)
• Intelligent Bearing Fault Diagnosis Method Combining Mixed Input and Hybrid CNN-MLP model [0.0]
  本稿では,混合入力と転がり軸受診断を組み合わせたハイブリッドCNN-MLPモデルに基づく診断手法を提案する。 この方法は、軸載無線加速度センサからの加速度データを用いて、軸受欠陥を正常に検出し、ローカライズする。
  論文  参考訳（メタデータ） (2021-12-16T07:26:22Z)
• 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。