論文の概要: Deep convolutional neural networks for cyclic sensor data

• arxiv url: http://arxiv.org/abs/2308.06987v1
• Date: Mon, 14 Aug 2023 07:51:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 14:07:34.009506
• Title: Deep convolutional neural networks for cyclic sensor data
• Title（参考訳）: 循環センサデータのための深部畳み込みニューラルネットワーク
• Authors: Payman Goodarzi, Yannick Robin, Andreas Sch\"utze, Tizian Schneider
• Abstract要約: 本研究では,センサによる条件モニタリングに焦点をあて,深層学習技術の応用について検討する。 本研究は,従来手法を用いたベースラインモデル,早期センサフュージョンを用いた単一CNNモデル,後期センサフュージョンを用いた2車線CNNモデル (2L-CNN) の3つのモデルの性能を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance plays a critical role in ensuring the uninterrupted operation of industrial systems and mitigating the potential risks associated with system failures. This study focuses on sensor-based condition monitoring and explores the application of deep learning techniques using a hydraulic system testbed dataset. Our investigation involves comparing the performance of three models: a baseline model employing conventional methods, a single CNN model with early sensor fusion, and a two-lane CNN model (2L-CNN) with late sensor fusion. The baseline model achieves an impressive test error rate of 1% by employing late sensor fusion, where feature extraction is performed individually for each sensor. However, the CNN model encounters challenges due to the diverse sensor characteristics, resulting in an error rate of 20.5%. To further investigate this issue, we conduct separate training for each sensor and observe variations in accuracy. Additionally, we evaluate the performance of the 2L-CNN model, which demonstrates significant improvement by reducing the error rate by 33% when considering the combination of the least and most optimal sensors. This study underscores the importance of effectively addressing the complexities posed by multi-sensor systems in sensor-based condition monitoring.
• Abstract（参考訳）: 予測保守は、産業システムの不断の運用を確実にし、システム障害に伴う潜在的なリスクを軽減する上で重要な役割を果たす。 本研究では,センサによる条件モニタリングに焦点をあて,油圧システムテストベッドデータセットを用いた深層学習手法の適用について検討する。 本研究では,従来手法を用いたベースラインモデル,早期センサ融合を用いた単一cnnモデル,遅延センサ融合を用いた2レーンcnnモデル(2l-cnn)の3モデルの性能比較を行った。 ベースラインモデルは、各センサに対して個別に特徴抽出を行う遅延センサ融合を用いて、印象的なテストエラー率1%を達成する。 しかし、cnnモデルは様々なセンサ特性のために問題に遭遇し、エラーレートは20.5%である。 この問題をさらに調査するため,各センサに対する個別のトレーニングを行い,精度の変動を観察する。 さらに,2L-CNNモデルの性能評価を行い,最小と最適のセンサの組み合わせを考慮した場合の誤差率を33%削減し,大幅な改善を図った。 本研究は,センサベースの状態監視において,マルチセンサシステムによって生じる複雑性を効果的に解決することの重要性を強調する。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
  入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。 これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。 アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
  論文  参考訳（メタデータ） (2024-07-22T09:58:29Z)
• Machine Learning Based Compensation for Inconsistencies in Knitted Force Sensors [1.0742675209112622]
  編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。 本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。 合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-21T09:19:33Z)
• Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
  化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。 本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。 本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
  論文  参考訳（メタデータ） (2023-06-19T11:00:54Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Hybrid Cloud-Edge Collaborative Data Anomaly Detection in Industrial Sensor Networks [16.06269863500741]
  本稿では,クラウドエッジ協調産業センサネットワークにおけるハイブリッド異常検出手法を提案する。 提案されたアプローチは、全体的なリコールの11.19%の増加と、F1スコアの14.29%の改善を達成することができる。
  論文  参考訳（メタデータ） (2022-04-21T08:03:22Z)
• Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
  SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。 実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
  論文  参考訳（メタデータ） (2022-04-07T10:45:32Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• 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。