論文の概要: Graph Neural Networks for Dynamic Modeling of Roller Bearing

• arxiv url: http://arxiv.org/abs/2309.10418v1
• Date: Tue, 19 Sep 2023 08:30:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 15:32:53.238209
• Title: Graph Neural Networks for Dynamic Modeling of Roller Bearing
• Title（参考訳）: ローラ軸受の動的モデリングのためのグラフニューラルネットワーク
• Authors: Vinay Sharma (1), Jens Ravesloot (2), Cees Taal (2), Olga Fink (1) ((1) EPFL, Intelligent Maintenance and Operations Systems, Lausanne, Switzerland, (2) SKF, Research and Technology Development, Houten, the Netherlands)
• Abstract要約: 本稿では, グラフニューラルネットワーク(GNN)のフレームワークを用いて, 転がり要素軸受の動的特性を予測することを提案する。 このアプローチは汎用性と解釈可能性を提供し、回転機械の健康状態を監視するためにリアルタイム操作型デジタルツインシステムでスケーラブルな使用の可能性を持つ。
• 参考スコア（独自算出の注目度）: 0.0884676669221885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the presented work, we propose to apply the framework of graph neural networks (GNNs) to predict the dynamics of a rolling element bearing. This approach offers generalizability and interpretability, having the potential for scalable use in real-time operational digital twin systems for monitoring the health state of rotating machines. By representing the bearing's components as nodes in a graph, the GNN can effectively model the complex relationships and interactions among them. We utilize a dynamic spring-mass-damper model of a bearing to generate the training data for the GNN. In this model, discrete masses represent bearing components such as rolling elements, inner raceways, and outer raceways, while a Hertzian contact model is employed to calculate the forces between these components. We evaluate the learning and generalization capabilities of the proposed GNN framework by testing different bearing configurations that deviate from the training configurations. Through this approach, we demonstrate the effectiveness of the GNN-based method in accurately predicting the dynamics of rolling element bearings, highlighting its potential for real-time health monitoring of rotating machinery.
• Abstract（参考訳）: 本稿では, 回転要素軸受の動的特性を予測するために, グラフニューラルネットワーク(GNN)の枠組みを適用することを提案する。 このアプローチは汎用性と解釈可能性を提供し、回転機械の健康状態を監視するためにリアルタイム操作型デジタルツインシステムでスケーラブルな使用の可能性を持つ。 グラフ内の要素をノードとして表現することで、GNNはそれらの間の複雑な関係や相互作用を効果的にモデル化することができる。 我々は、GNNのトレーニングデータを生成するために、軸受の動的バネ質量減衰モデルを利用する。 このモデルでは、離散質量は転がり要素、内輪道、外輪道などの軸受成分を表し、ヘルツ接触モデルはこれらの成分間の力を計算するために用いられる。 提案するGNNフレームワークの学習と一般化の能力は,トレーニング構成から逸脱する異なる軸受構成をテストすることで評価する。 本手法により, 転がり要素軸受の力学を正確に予測するGNN法の有効性を実証し, 回転機械のリアルタイム健康モニタリングの可能性を明らかにする。

関連論文リスト

• Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems [7.59660604072964]
  Dynami-CAL GraphNetは、複雑な多体力学系の正確、解釈可能、リアルタイムモデリングを提供する。 基本的な保存法則に従う物理的に一貫性があり、スケーラブルな予測を提供する。 これは、異種相互作用と外部力の効率よく処理しながら、力とモーメントの推測を可能にする。
  論文  参考訳（メタデータ） (2025-01-13T14:41:56Z)
• When Graph Neural Networks Meet Dynamic Mode Decomposition [34.16727363891593]
  DMDアルゴリズムによって提供される低ランク固有関数を効果的に活用するMDD-GNNモデル群を紹介する。 我々の研究は、GNNを通して高度な動的システム解析ツールを適用するための道筋をたどっている。
  論文  参考訳（メタデータ） (2024-10-08T01:09:48Z)
• Learning Coarse-Grained Dynamics on Graph [4.692217705215042]
  グラフ上の粗粒度動的システムを特定するために,グラフニューラルネットワーク(GNN)非マルコフモデリングフレームワークを検討する。 本研究の主目的は, グラフトポロジを符号化する粗粒度相互作用係数に, モリ・ズワンチのメモリ項の先頭項がどのように依存するかを検査することによって, GNNアーキテクチャを体系的に決定することである。
  論文  参考訳（メタデータ） (2024-05-15T13:25:34Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Continuous-Depth Neural Models for Dynamic Graph Prediction [16.89981677708299]
  連続深度グラフニューラルネットワーク(GNN)の枠組みを紹介する。 ニューラルグラフ微分方程式(ニューラルグラフ微分方程式)は、GNNに対抗して形式化される。 その結果、遺伝的制御ネットワークにおけるトラフィック予測や予測など、アプリケーション全体にわたって提案されたモデルの有効性が証明された。
  論文  参考訳（メタデータ） (2021-06-22T07:30:35Z)
• Unsupervised Learning of Lagrangian Dynamics from Images for Prediction and Control [12.691047660244335]
  画像からラグランジアン力学を学習する新しい教師なしニューラルネットワークモデルを導入する。 このモデルは、座標対応変分オートエンコーダで同時に学習される一般化座標上でラグランジアン力学を推論する。
  論文  参考訳（メタデータ） (2020-07-03T20:06:43Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。