論文の概要: Cloud Ensemble Learning for Fault Diagnosis of Rolling Bearings with
Stochastic Configuration Networks
- arxiv url: http://arxiv.org/abs/2307.00507v1
- Date: Sun, 2 Jul 2023 07:50:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 15:34:37.670978
- Title: Cloud Ensemble Learning for Fault Diagnosis of Rolling Bearings with
Stochastic Configuration Networks
- Title（参考訳）: 確率的構成網を有する転がり軸受の故障診断のためのクラウドアンサンブル学習
- Authors: Wei Dai, Jiang Liu, and Lanhao Wang
- Abstract要約: 構成ネットワーク(SCN)ベースのクラウドアンサンブル学習(SCN-CEL)は,本研究で開発された。
提案手法は, 少数のショットシナリオにおいて, 転がり軸受の故障カテゴリの識別に有効である。
- 参考スコア（独自算出の注目度）: 6.071041922872458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fault diagnosis of rolling bearings is of great significance for
post-maintenance in rotating machinery, but it is a challenging work to
diagnose faults efficiently with a few samples. Additionally, faults commonly
occur with randomness and fuzziness due to the complexity of the external
environment and the structure of rolling bearings, hindering effective mining
of fault characteristics and eventually restricting accuracy of fault
diagnosis. To overcome these problems, stochastic configuration network (SCN)
based cloud ensemble learning, called SCN-CEL, is developed in this work.
Concretely, a cloud feature extraction method is first developed by using a
backward cloud generator of normal cloud model to mine the uncertainty of fault
information. Then, a cloud sampling method, which generates enough cloud
droplets using bidirectional cloud generator, is proposed to extend the cloud
feature samples. Finally, an ensemble model with SCNs is developed to
comprehensively characterize the uncertainty of fault information and advance
the generalization performance of fault diagnosis machine. Experimental results
demonstrate that the proposed method indeed performs favorably for
distinguishing fault categories of rolling bearings in the few shot scenarios.
- Abstract（参考訳）: 転がり軸受の故障診断は, 回転機械の保守後において非常に重要であるが, 少数の試料で効率的に断層を診断することは困難である。
さらに, 外部環境の複雑化や転がり軸受の構造が原因で, 異常やファジィが頻繁に発生し, 断層特性の効果的なマイニングが妨げられ, 最終的に故障診断の精度が制限される。
これらの問題を解決するために、SCN-CELと呼ばれる確率的構成ネットワーク(SCN)ベースのクラウドアンサンブル学習を開発した。
具体的には, 雲の特徴抽出法として, 通常の雲モデルの逆向き雲発生器を用いて断層情報の不確かさを抽出する手法を開発した。
そこで, 双方向クラウドジェネレータを用いて十分な雲滴を生成するクラウドサンプリング手法を提案し, 雲の特徴サンプルを拡張した。
最後に、SCNを用いたアンサンブルモデルを開発し、故障情報の不確実性を包括的に特徴付け、故障診断機の一般化性能を向上させる。
実験結果から, 提案手法は, 少数のショットシナリオにおいて, 転がり軸受の故障カテゴリの識別に有効であることが示された。
関連論文リスト
- IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳（メタデータ） (2024-03-18T15:23:48Z) - 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) - Constructive Incremental Learning for Fault Diagnosis of Rolling
Bearings with Ensemble Domain Adaptation [6.7898797318208075]
転がり軸受の故障診断は 様々な作業条件において 現実的な問題です。
外部環境の複雑さと転がり軸受の構造は、しばしばランダムさとファジネスによって特徴づけられる欠点を示す。
本稿では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-29T02:23:58Z) - 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) - PointCAT: Contrastive Adversarial Training for Robust Point Cloud
Recognition [111.55944556661626]
我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。
我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。
より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
論文 参考訳（メタデータ） (2022-09-16T08:33:04Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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) - Probabilistic Bearing Fault Diagnosis Using Gaussian Process with
Tailored Feature Extraction [10.064000794573756]
転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。
現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。
本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
論文 参考訳（メタデータ） (2021-09-19T18:34:29Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - 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。