論文の概要: Explainable AI Algorithms for Vibration Data-based Fault Detection: Use
Case-adadpted Methods and Critical Evaluation
- arxiv url: http://arxiv.org/abs/2207.10732v1
- Date: Thu, 21 Jul 2022 19:57:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:44:16.574479
- Title: Explainable AI Algorithms for Vibration Data-based Fault Detection: Use
Case-adadpted Methods and Critical Evaluation
- Title（参考訳）: 振動データに基づく故障検出のための説明可能なAIアルゴリズム:事例適応手法と評価
- Authors: Oliver Mey and Deniz Neufeld
- Abstract要約: 深層ニューラルネットワークアルゴリズムを用いて振動データを解析することは、回転機械の損傷を早期に検出する有効な方法である。
本研究では、振動に基づく状態監視のための畳み込みニューラルネットワークへの説明可能なAI(XAI)アルゴリズムの適用について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analyzing vibration data using deep neural network algorithms is an effective
way to detect damages in rotating machinery at an early stage. However, the
black-box approach of these methods often does not provide a satisfactory
solution because the cause of classifications is not comprehensible to humans.
Therefore, this work investigates the application of explainable AI (XAI)
algorithms to convolutional neural networks for vibration-based condition
monitoring. For this, various XAI algorithms are applied to classifications
based on the Fourier transform as well as the order analysis of the vibration
signal. The results are visualized as a function of the revolutions per minute
(RPM), in the shape of frequency-RPM maps and order-RPM maps. This allows to
assess the saliency given to features which depend on the rotation speed and
those with constant frequency. To compare the explanatory power of the XAI
methods, investigations are first carried out with a synthetic data set with
known class-specific characteristics. Then a real-world data set for
vibration-based imbalance classification on an electric motor, which runs at a
broad range of rotation speeds, is used. A special focus is put on the
consistency for variable periodicity of the data, which translates to a varying
rotation speed of a real-world machine. This work aims to show the different
strengths and weaknesses of the methods for this use case: GradCAM, LRP and
LIME with a new perturbation strategy.
- Abstract（参考訳）: ディープニューラルネットワークアルゴリズムを用いた振動データの解析は、回転機械の早期損傷を検出する効果的な方法である。
しかし、これらの方法のブラックボックスアプローチは、分類の原因が人間には理解できないため、満足のいく解決策を提供しないことが多い。
そこで本研究では,畳み込みニューラルネットワークに対する説明可能なai(xai)アルゴリズムの適用について検討する。
このため、フーリエ変換に基づく分類や振動信号の順序解析に様々なXAIアルゴリズムを適用した。
結果は、周波数-RPMマップと順序-RPMマップの形状において、毎分革命(RPM)の関数として可視化される。
これにより、回転速度に依存する特徴と周波数が一定な特徴に与えられる塩分を評価することができる。
XAI法の説明力を比較するために,まず,クラス固有の特徴を持つ合成データセットを用いて検討を行った。
次に、幅広い回転速度で走行する電動機上の振動に基づく不均衡分類のための実世界データセットを用いる。
データの可変周期性の一貫性を特に重視し、実世界の機械の回転速度を変化させる。
本研究は,新しい摂動戦略を用いたGradCAM, LRP, LIMEの手法の長所と短所を示すことを目的としている。
関連論文リスト
- Learning to Predict Structural Vibrations [2.4746345679821617]
飛行機、車、家屋などの機械構造では、騒音が発生し振動によって伝達される。
このノイズを低減させるためには、高価な数値計算で振動をシミュレートする必要がある。
本稿では,高調波励起板の振動予測に関するベンチマークを示す。
論文 参考訳（メタデータ） (2023-10-09T07:26:35Z) - ExoplANNET: A deep learning algorithm to detect and identify planetary
signals in radial velocity data [0.0]
放射速度法で検出された信号の意義の計算に代えて,ニューラルネットワークを提案する。
このアルゴリズムは、惑星の伴星を伴わないシステムの合成データを用いて訓練される。
偽陽性は28パーセント減少し、実行時間は従来の方法よりも5桁高速である。
論文 参考訳（メタデータ） (2023-03-16T14:16:19Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - A Machine Learning approach for correcting radial velocities using
physical observables [0.0]
シミュレーションと実データを用いて、恒星の活動を自由なドップラーで測定するディープニューラルネットワーク手法の能力について検討する。
RV非依存的アプローチは、既知の物理的効果から急激なドップラー変動を大幅に低減できることを示す。
観測された変動率と補正の一致をよく観察するが,ノイズ低減はシミュレーションほど良くないことがわかった。
論文 参考訳（メタデータ） (2023-01-30T13:25:00Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - 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) - Simpler is better: spectral regularization and up-sampling techniques
for variational autoencoders [1.2234742322758418]
ニューラルネットワークに基づく生成モデルのスペクトル挙動のキャラクタリゼーションは未解決のままである。
最近の研究は、生成的対向ネットワークと、実画像と生成画像の高周波の相違に重点を置いている。
変分オートエンコーダ(VAE)のための単純な2次元フーリエ変換に基づくスペクトル正規化損失を提案する。
論文 参考訳（メタデータ） (2022-01-19T11:49:57Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - 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) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳（メタデータ） (2020-06-02T10:20:11Z)
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。