論文の概要: Lab-scale Vibration Analysis Dataset and Baseline Methods for Machinery Fault Diagnosis with Machine Learning

• arxiv url: http://arxiv.org/abs/2212.14732v1
• Date: Tue, 27 Dec 2022 00:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 03:18:23.822714
• Title: Lab-scale Vibration Analysis Dataset and Baseline Methods for Machinery Fault Diagnosis with Machine Learning
• Title（参考訳）: 機械学習を用いた機械故障診断のためのラボスケール振動解析データセットとベースライン法
• Authors: Bagus Tris Atmaja, Haris Ihsannur, Suyanto, Dhany Arifianto
• Abstract要約: 本稿では,実験装置からの振動信号のデータセットについて述べる。 データのバランスが取れているため、重み付け精度(WA)を用いてアルゴリズムの性能を評価する。 最高の性能のアルゴリズムは、5倍のクロスバリデーションに対して WA が 99.75% の SVM である。
• 参考スコア（独自算出の注目度）: 1.8352113484137629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The monitoring of machine conditions in a plant is crucial for production in manufacturing. A sudden failure of a machine can stop production and cause a loss of revenue. The vibration signal of a machine is a good indicator of its condition. This paper presents a dataset of vibration signals from a lab-scale machine. The dataset contains four different types of machine conditions: normal, unbalance, misalignment, and bearing fault. Three machine learning methods (SVM, KNN, and GNB) evaluated the dataset, and a perfect result was obtained by one of the methods on a 1-fold test. The performance of the algorithms is evaluated using weighted accuracy (WA) since the data is balanced. The results show that the best-performing algorithm is the SVM with a WA of 99.75\% on the 5-fold cross-validations. The dataset is provided in the form of CSV files in an open and free repository at https://zenodo.org/record/7006575.
• Abstract（参考訳）: 工場における機械条件のモニタリングは製造において極めて重要である。 機械の突然の故障は生産を止め、収益を失う可能性がある。 機械の振動信号は、その状態のよい指標である。 本稿では,ラボスケールマシンからの振動信号のデータセットを提案する。 データセットには、正常、アンバランス、ミスアライメント、ベアリングの4種類のマシン条件が含まれている。 3つの機械学習手法(svm, knn, gnb)がデータセットを評価し、1-foldテストで1つの方法によって完全な結果を得た。 データのバランスが取れているため、重み付け精度(WA)を用いてアルゴリズムの性能を評価する。 その結果、5倍のクロスバリデーションに対して WA が 99.75 % の SVM であることがわかった。 データセットは、https://zenodo.org/record/7006575のオープンでフリーなリポジトリにあるCSVファイルの形式で提供される。

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)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• A Case Study on the Classification of Lost Circulation Events During Drilling using Machine Learning Techniques on an Imbalanced Large Dataset [0.0]
  イランのアザデガン油田から得られた65,000以上のデータと階級不均衡問題を利用する。 データセットの17のパラメータのうち11は、5つの失われた循環イベントの分類に使用される。 分類モデルを生成するために,6つの基本機械学習アルゴリズムと4つのアンサンブル学習手法を用いた。
  論文  参考訳（メタデータ） (2022-09-04T12:28:40Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
  本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。 その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。 このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
  論文  参考訳（メタデータ） (2021-02-02T09:59:23Z)
• 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)
• The Integrity of Machine Learning Algorithms against Software Defect Prediction [0.0]
  本報告では,Liangらが開発したオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)の性能を解析する。 OS-ELMは従来のディープニューラルネットワークよりも高速にトレーニングし、常にグローバルな最適解に収束する。 この分析は、NASAグループが実施する3つのプロジェクトKC1、PC4、PC3で実施される。
  論文  参考訳（メタデータ） (2020-09-05T17:26:56Z)
• Machine Learning-Based Unbalance Detection of a Rotating Shaft Using Vibration Data [0.0]
  アンバランス検出のためのアルゴリズムの開発と評価の基礎となるデータセットを公表する。 各アンバランス強度に対して、開発と評価データセットが利用可能である。 評価データセット上での予測精度は98.6%であり、完全に接続されたニューラルネットワークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2020-05-26T14:11:32Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。