論文の概要: A Vision Transformer-Based Approach to Bearing Fault Classification via
Vibration Signals
- arxiv url: http://arxiv.org/abs/2208.07070v1
- Date: Mon, 15 Aug 2022 08:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:45:47.828352
- Title: A Vision Transformer-Based Approach to Bearing Fault Classification via
Vibration Signals
- Title（参考訳）: 視覚変換器を用いた振動信号による軸受故障分類
- Authors: Abid Hasan Zim, Aeyan Ashraf, Aquib Iqbal, Asad Malik, Minoru
Kuribayashi
- Abstract要約: 本研究では、現状のViT(Vision Transformer)を用いて、ベアリング欠陥を分類する。
このモデル全体の精度は98.8%に達した。
- 参考スコア（独自算出の注目度）: 4.287341231968003
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Rolling bearings are the most crucial components of rotating machinery.
Identifying defective bearings in a timely manner may prevent the malfunction
of an entire machinery system. The mechanical condition monitoring field has
entered the big data phase as a result of the fast advancement of machine
parts. When working with large amounts of data, the manual feature extraction
approach has the drawback of being inefficient and inaccurate. Data-driven
methods like the Deep Learning method have been successfully used in recent
years for mechanical intelligent fault detection. Convolutional neural networks
(CNNs) were mostly used in earlier research to detect and identify bearing
faults. The CNN model, however, suffers from the drawback of having trouble
managing fault-time information, which results in a lack of classification
results. In this study, bearing defects have been classified using a
state-of-the-art Vision Transformer (ViT). Bearing defects were classified
using Case Western Reserve University (CWRU) bearing failure laboratory
experimental data. The research took into account 13 distinct kinds of defects
under 0-load situations in addition to normal bearing conditions. Using the
short-time Fourier transform (STFT), the vibration signals were converted into
2D time-frequency images. The 2D time-frequency images are used as input
parameters for the ViT. The model achieved an overall accuracy of 98.8%.
- Abstract（参考訳）: 転がり軸受は回転機械の最も重要な要素である。
タイムリーに欠陥軸受を特定すれば、機械系全体の故障を防止することができる。
機械部品の急速な進歩により、機械状態監視分野はビッグデータフェーズに突入した。
大量のデータを扱う場合、手動の特徴抽出アプローチは非効率で不正確なという欠点がある。
深層学習法のようなデータ駆動手法は,近年,機械的な知的障害検出に成功している。
畳み込みニューラルネットワーク(CNN)は、主に初期の研究でベアリング障害の検出と同定に使用された。
しかし、CNNモデルは、故障時の情報管理に支障をきたすという欠点に悩まされており、その結果、分類結果の欠如が生じる。
本研究では, 現状の視覚変換器(ViT)を用いて, 軸受欠陥を分類した。
軸受欠陥をケース・ウェスタン・リザーブ大学(cwru)軸受故障実験データを用いて分類した。
この研究は、通常の軸受条件に加えて、0負荷条件下での13種類の欠陥を考慮に入れた。
短時間フーリエ変換(STFT)を用いて、振動信号を2次元時間周波数画像に変換する。
2次元時間周波数画像は、ViTの入力パラメータとして使用される。
このモデル全体の精度は98.8%に達した。
関連論文リスト
- Deep learning-based fault identification in condition monitoring [0.26249027950824505]
振動に基づく条件モニタリング技術は、転がり要素軸受の欠陥を特定するために一般的に用いられる。
故障検出手順の精度と速度は, 条件モニタリングにおける重要な性能指標である。
転がり要素軸受におけるリアルタイム故障同定のための畳み込みニューラルネットワーク(CNN)を用いた手法を提案する。
論文 参考訳（メタデータ） (2024-10-08T10:31:13Z) - Statistical Batch-Based Bearing Fault Detection [0.0]
回転機械の領域では、ベアリングはボール、インナーおよびアウターレース断層を含む異なる機械的断層に対して脆弱である。
古典的な信号分析から深層学習まで、様々な手法が条件に基づくモニタリングに利用できる。
論文 参考訳（メタデータ） (2024-07-24T12:45:02Z) - 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) - Ball Mill Fault Prediction Based on Deep Convolutional Auto-Encoding
Network [3.673613706096849]
本稿では,深部畳み込み自己符号化ニューラルネットワーク(DCAN)を用いた異常検出手法を提案する。
提案手法は,教師付き学習手法でしばしば発生するラベル付け問題やデータ不均衡といった課題を克服し,通常の訓練中に収集した振動データを活用する。
本稿では, 武漢鉄鉄資源グループのボールミル軸受からのデータと, NASAの軸受振動データセットからのデータを利用して, 異常検出のためのDCANに基づく異常検出モデルの実用化について述べる。
論文 参考訳（メタデータ） (2023-11-09T17:49:07Z) - 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) - Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。
実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
論文 参考訳（メタデータ） (2022-12-12T18:36:02Z) - 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) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - 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) - Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文 参考訳（メタデータ） (2021-07-05T11:46:00Z)
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。