論文の概要: Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2211.09011v1
• Date: Tue, 15 Nov 2022 15:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 16:51:27.086705
• Title: Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks
• Title（参考訳）: 加速度計信号と差動畳み込みニューラルネットワークを用いた列車の車軸損傷検出
• Authors: Ant\'ia L\'opez Galdo, Alejandro Guerrero-L\'opez, Pablo M. Olmos, Mar\'ia Jes\'us G\'omez Garc\'ia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.60224656603823
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Railway axle maintenance is critical to avoid catastrophic failures. Nowadays, condition monitoring techniques are becoming more prominent in the industry to prevent enormous costs and damage to human lives. This paper proposes the development of a railway axle condition monitoring system based on advanced 2D-Convolutional Neural Network (CNN) architectures applied to time-frequency representations of vibration signals. For this purpose, several preprocessing steps and different types of Deep Learning (DL) and Machine Learning (ML) architectures are discussed to design an accurate classification system. The resultant system converts the railway axle vibration signals into time-frequency domain representations, i.e., spectrograms, and, thus, trains a two-dimensional CNN to classify them depending on their cracks. The results showed that the proposed approach outperforms several alternative methods tested. The CNN architecture has been tested in 3 different wheelset assemblies, achieving AUC scores of 0.93, 0.86, and 0.75 outperforming any other architecture and showing a high level of reliability when classifying 4 different levels of defects.
• Abstract（参考訳）: 鉄道軸の保守は壊滅的な故障を避けるために重要である。 現在では、人命の莫大なコストや損害を防ぐための状況監視技術が業界で注目されている。 本稿では,2次元畳み込みニューラルネットワーク(cnn)アーキテクチャを用いた振動信号の時間周波数表現のための鉄道軸状態監視システムの開発を提案する。 この目的のために,複数の前処理ステップと異なるタイプのディープラーニング (dl) と機械学習 (ml) アーキテクチャについて検討し,正確な分類システムを設計する。 その結果、鉄道軸振動信号を時間周波数領域表現(すなわちスペクトログラム)に変換し、2次元cnnを訓練し、ひび割れに応じて分類する。 その結果,提案手法は試験方法よりも優れていることがわかった。 CNNアーキテクチャは3つの異なるホイールセットアセンブリでテストされており、AUCスコアは0.93、0.86、0.75で、他のアーキテクチャよりも優れており、4つの異なるレベルの欠陥を分類する際に高い信頼性を示す。

関連論文リスト

• A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN [5.381374943525773]
  欠陥検出は、鉄道システムの信頼性を確保するために不可欠である。 現在のアプローチは、CNNのような単一のディープラーニングモデルに依存している。 再利用可能なAI対応欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T19:45:55Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification [6.830148185797109]
  データ拡張による新しい数ショット学習フレームワークを提案する。 シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。 本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
  論文  参考訳（メタデータ） (2023-11-06T15:32:50Z)
• Systematic Evaluation of Deep Learning Models for Log-based Failure Prediction [3.3810628880631226]
  本稿では,障害予測のためのログデータ埋め込み戦略とディープラーニング(DL)タイプの組み合わせを系統的に検討する。 そこで我々は,組込み戦略とDLベースのエンコーダの様々な構成に対応するモジュールアーキテクチャを提案する。 また,F1スコア測定値を用いて,Logkey2vecを用いたCNNベースのエンコーダが最適であることを示す。
  論文  参考訳（メタデータ） (2023-03-13T16:04:14Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Application of 2-D Convolutional Neural Networks for Damage Detection in Steel Frame Structures [0.0]
  本稿では,2次元畳み込みニューラルネットワーク(2次元CNN)を特徴抽出と分類段階の両方に応用する。 本手法では、深度ではなく、光ったCNNのネットワークを使用し、生の加速度信号を入力とする。
  論文  参考訳（メタデータ） (2021-10-29T16:29:31Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
  TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-07-17T08:32:11Z)
• Fully convolutional networks for structural health monitoring through multivariate time series classification [0.0]
  構造健康モニタリング(SHM)への新たなアプローチを提案する。 広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。 損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
  論文  参考訳（メタデータ） (2020-02-12T21:59:29Z)

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。