論文の概要: Real Time Bearing Fault Diagnosis Based on Convolutional Neural Network and STM32 Microcontroller

• arxiv url: http://arxiv.org/abs/2304.09100v1
• Date: Fri, 14 Apr 2023 12:04:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 14:04:15.165319
• Title: Real Time Bearing Fault Diagnosis Based on Convolutional Neural Network and STM32 Microcontroller
• Title（参考訳）: 畳み込みニューラルネットワークとSTM32マイクロコントローラを用いたリアルタイム軸受故障診断
• Authors: Wenhao Liao
• Abstract要約: 本稿では,畳み込みニューラルネットワークに基づく軸受振動信号の同定を実現し,最適化モデルの故障識別精度は98.9%に達する。 さらに,STM32H743VIマイクロコントローラに畳み込みニューラルネットワークモデルを適用し,各診断の実行時間は19msである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of big data and edge computing, many researchers focus on improving the accuracy of bearing fault classification using deep learning models, and implementing the deep learning classification model on limited resource platforms such as STM32. To this end, this paper realizes the identification of bearing fault vibration signal based on convolutional neural network, the fault identification accuracy of the optimised model can reach 98.9%. In addition, this paper successfully applies the convolutional neural network model to STM32H743VI microcontroller, the running time of each diagnosis is 19ms. Finally, a complete real-time communication framework between the host computer and the STM32 is designed, which can perfectly complete the data transmission through the serial port and display the diagnosis results on the TFT-LCD screen.
• Abstract（参考訳）: ビッグデータとエッジコンピューティングの急速な発展に伴い、多くの研究者は、ディープラーニングモデルを用いた障害分類の精度向上と、STM32のような限られたリソースプラットフォーム上でのディープラーニング分類モデルの実装に注力している。 そこで本研究では,畳み込みニューラルネットワークに基づく軸受振動信号の同定を実現し,最適化モデルの故障識別精度は98.9%に達する。 さらに,STM32H743VIマイクロコントローラに畳み込みニューラルネットワークモデルを適用し,各診断の実行時間は19msである。 最後に、ホストコンピュータとSTM32間の完全なリアルタイム通信フレームワークを設計し、シリアルポートを介してデータ転送を完全に完了し、診断結果をTFT-LCDスクリーンに表示する。

関連論文リスト

• TENNs-PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [1.1970409518725493]
  低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。 我々は3つのイベントベースのベンチマークを実験し、メモリと計算コストを大幅に削減した大きなマージンで3つすべてに対して最先端の結果を得た。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Active Dendrites Enable Efficient Continual Learning in Time-To-First-Spike Neural Networks [1.7333836118546833]
  活性デンドライトで強化された新しいスパイキングニューラルネットワークモデルを提案する。 我々のモデルは、時間的に符号化されたSNNにおいて破滅的な忘れを効果的に軽減することができる。 エッジデバイスにおける現実的なデプロイメントを実現するための,新たなディジタルハードウェアアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2024-04-30T10:11:03Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• 1-D Residual Convolutional Neural Network coupled with Data Augmentation and Regularization for the ICPHM 2023 Data Challenge [24.37696434579732]
  本稿では,生の3チャンネル時間領域振動信号を用いた残差畳み込みニューラルネットワークを提案する。 ネットワークは、検査中のギアボックスの状態を正確に予測することができる。
  論文  参考訳（メタデータ） (2023-04-14T08:50:21Z)
• MIA-3DCNN: COVID-19 Detection Based on a 3D CNN [0.0]
  畳み込みニューラルネットワークは、肺画像における新型コロナウイルスによる肺炎の検出に広く用いられている。 本研究は,3次元畳み込みニューラルネットワークに基づく,コンピュータ断層撮影画像中のCOVID-19を検出するアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2023-03-19T18:55:22Z)
• Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
  様々なディープニューラルネットワークモデルの高速化性能を解析する。 我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。 我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
  論文  参考訳（メタデータ） (2022-05-02T20:43:14Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。