論文の概要: Machine Fault Classification using Hamiltonian Neural Networks

• arxiv url: http://arxiv.org/abs/2301.02243v1
• Date: Wed, 4 Jan 2023 19:07:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 00:25:15.654078
• Title: Machine Fault Classification using Hamiltonian Neural Networks
• Title（参考訳）: ハミルトンニューラルネットワークを用いた機械故障分類
• Authors: Jeremy Shen, Jawad Chowdhury, Sourav Banerjee, Gabriel Terejanu
• Abstract要約: センサ計測から推定される全エネルギー信号に基づいて, 回転機械の故障を分類するための新しい手法が導入された。 全体的な目標は、ブラックボックスモデルの使用を超えて、機械システムの振る舞いを管理するための追加の物理的制約を組み込むことである。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A new approach is introduced to classify faults in rotating machinery based on the total energy signature estimated from sensor measurements. The overall goal is to go beyond using black-box models and incorporate additional physical constraints that govern the behavior of mechanical systems. Observational data is used to train Hamiltonian neural networks that describe the conserved energy of the system for normal and various abnormal regimes. The estimated total energy function, in the form of the weights of the Hamiltonian neural network, serves as the new feature vector to discriminate between the faults using off-the-shelf classification models. The experimental results are obtained using the MaFaulDa database, where the proposed model yields a promising area under the curve (AUC) of $0.78$ for the binary classification (normal vs abnormal) and $0.84$ for the multi-class problem (normal, and $5$ different abnormal regimes).
• Abstract（参考訳）: センサ測定から推定される全エネルギーシグネチャに基づいて,回転機械の故障を分類する新しい手法を提案する。 全体的な目標は、ブラックボックスモデルの使用を超えて、メカニカルシステムの振る舞いを制御する追加の物理的制約を取り入れることである。 観測データは、正常および様々な異常状態に対するシステムの保存エネルギーを記述するハミルトンニューラルネットワークの訓練に使用される。 推定総エネルギー関数は、ハミルトニアン・ニューラル・ネットワークの重みの形で、オフ・ザ・棚の分類モデルを用いて故障を判別する新しい特徴ベクトルとして機能する。 実験結果はmafauldaデータベースを用いて得られ、提案モデルは2進分類(正規対異常)に対して0.78$、マルチクラス問題(通常と5ドル異なる異常条件)に対して0.84$の有望領域(auc)を与える。

関連論文リスト

• Separable Hamiltonian Neural Networks [1.8674308456443722]
  ハミルトンニューラルネットワーク (HNN) は、力学系のベクトル場を回帰する最先端のモデルである。 観測,学習,帰納バイアスを用いて,HNN内に加法分離性を組み込む分離可能なHNNを提案する。
  論文  参考訳（メタデータ） (2023-09-03T03:54:43Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Hamiltonian Neural Networks with Automatic Symmetry Detection [0.0]
  ハミルトニアンニューラルネットワーク(HNN)は、以前の物理知識を組み込むために導入された。 我々は、ニューラルネットワークに対称性を検出し、埋め込むために、Lie代数フレームワークを用いてHNNを強化した。
  論文  参考訳（メタデータ） (2023-01-19T07:34:57Z)
• Understanding Weight Similarity of Neural Networks via Chain Normalization Rule and Hypothesis-Training-Testing [58.401504709365284]
  非畳み込みニューラルネットワークの重み類似度を定量化できる重み類似度尺度を提案する。 まず,ニューラルネットワークの重みをチェーン正規化規則により正規化し,重み訓練表現学習を導入する。 ニューラルネットワークの重み類似性に関する仮説を検証するため,従来の仮説検証手法を拡張した。
  論文  参考訳（メタデータ） (2022-08-08T19:11:03Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Physics-enhanced Neural Networks in the Small Data Regime [0.0]
  トレーニング中の実エネルギーレベルを正規化用語として考えることで、さらに改善できることが示される。 特に、少量のデータしか利用できない場合、これらの改善は予測能力を著しく向上させることができる。
  論文  参考訳（メタデータ） (2021-11-19T17:21:14Z)
• Learning the ground state of a non-stoquastic quantum Hamiltonian in a rugged neural network landscape [0.0]
  ニューラルネットワークに基づく普遍的変動波動関数のクラスについて検討する。 特に,本稿では,ニューラルネットワークの表現率とモンテカルロサンプリングが一次制限因子ではないことを示す。
  論文  参考訳（メタデータ） (2020-11-23T05:25:47Z)
• Residual Generation Using Physically-Based Grey-Box Recurrent Neural Networks For Engine Fault Diagnosis [1.0152838128195467]
  物理モデルと利用可能なトレーニングデータを組み合わせたハイブリッド故障診断手法は有望な結果を示した。 システムモデルの二部グラフ表現を用いて自動残差設計を行い、グレーボックス再帰ニューラルネットワークを設計する。 内燃機関テストベンチからのデータは、機械学習とモデルに基づく故障診断技術を組み合わせる可能性を示すために使用される。
  論文  参考訳（メタデータ） (2020-08-11T11:59:48Z)

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。