論文の概要: A Robust Deep Learning System for Motor Bearing Fault Detection: Leveraging Multiple Learning Strategies and a Novel Double Loss Function

• arxiv url: http://arxiv.org/abs/2310.11477v2
• Date: Sun, 20 Oct 2024 11:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:14:36.665483
• Title: A Robust Deep Learning System for Motor Bearing Fault Detection: Leveraging Multiple Learning Strategies and a Novel Double Loss Function
• Title（参考訳）: モータ軸受故障検出のためのロバスト深部学習システム:複数学習戦略の活用と新しい二重損失関数
• Authors: Khoa Tran, Lam Pham, Vy-Rin Nguyen, Ho-Si-Hung Nguyen,
• Abstract要約: モータ軸受故障検出(MBFD)は、産業機械の信頼性と運転効率を維持するために重要である。 本稿では,教師付き,半教師付き,教師なしの学習を含む複数の学習戦略を取り入れた,MBFDのための堅牢な深層学習システムを提案する。 提案手法は, 機械的破壊防止技術協会(T), ケース・ウェスタン・リザーブ大学ベアリングセンター(CWRU), パダーボーン大学の電気機械駆動システム(PU)における軸受損傷の条件モニタリングによる評価を行った。
• 参考スコア（独自算出の注目度）: 0.7028311157445256
• License:
• Abstract: Motor bearing fault detection (MBFD) is critical for maintaining the reliability and operational efficiency of industrial machinery. Early detection of bearing faults can prevent system failures, reduce operational downtime, and lower maintenance costs. In this paper, we propose a robust deep learning-based system for MBFD that incorporates multiple training strategies, including supervised, semi-supervised, and unsupervised learning. To enhance the detection performance, we introduce a novel double loss function. Our approach is evaluated using benchmark datasets from the American Society for Mechanical Failure Prevention Technology (MFPT), Case Western Reserve University Bearing Center (CWRU), and Paderborn University's Condition Monitoring of Bearing Damage in Electromechanical Drive Systems (PU). Results demonstrate that deep learning models outperform traditional machine learning techniques, with our novel system achieving superior accuracy across all datasets. These findings highlight the potential of our approach for practical MBFD applications.
• Abstract（参考訳）: モータ軸受故障検出(MBFD)は、産業機械の信頼性と運転効率を維持するために重要である。 軸受故障の早期検出はシステム障害を防止し、運用停止時間を短縮し、メンテナンスコストを低減できる。 本稿では,教師付き,半教師付き,教師なしの学習を含む複数の学習戦略を取り入れた,MBFDのための堅牢な深層学習システムを提案する。 検出性能を向上させるために,新しい二重損失関数を導入する。 本手法は,MFPT,CWRU,Paderborn University's Condition Monitoring of Bearing damage in Electromechanical Drive Systems (PU)のベンチマークデータを用いて評価した。 その結果、ディープラーニングモデルは従来の機械学習技術よりも優れており、新しいシステムはすべてのデータセットで優れた精度を実現していることがわかった。 これらの知見は,本手法の実用MBFD応用の可能性を明らかにするものである。

関連論文リスト

• Enhancing robustness of data-driven SHM models: adversarial training with circle loss [4.619717316983647]
  構造的健康モニタリング(SHM)は、航空宇宙、民間、機械的インフラの安全と信頼性を守るために重要である。 機械学習ベースのデータ駆動アプローチは、センサーと計算能力の進歩によりSHMで人気を博している。 本稿では,防御のための対角的訓練手法を提案する。これは円損失を利用して,トレーニング中の特徴間の距離を最適化し,事例を意思決定境界から遠ざける。
  論文  参考訳（メタデータ） (2024-06-20T11:55:39Z)
• Fault detection in propulsion motors in the presence of concept drift [0.0]
  機械学習と統計的手法は、海洋システムにおける監視と故障予測を強化するために使用できる。 概念ドリフトと呼ばれる基盤システムの予期せぬ変化は、これらの手法の性能に影響を及ぼす可能性がある。 本研究では, コンセプトドリフト時の運転を成功させる水力推進電動機の固定子巻線における過熱検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T09:31:03Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Efficient Visual Fault Detection for Freight Train Braking System via Heterogeneous Self Distillation in the Wild [8.062167870951706]
  本稿では,検出精度と速度を確保するため,不均一な自己蒸留フレームワークを提案する。 我々は,学習効率を向上させるために,ラベル付近の値にネットワークを集中させる新たな損失関数を用いる。 我々のフレームワークは毎秒37フレーム以上を達成でき、従来の蒸留法と比較して高い精度を維持することができる。
  論文  参考訳（メタデータ） (2023-07-03T01:27:39Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Self-Destructing Models: Increasing the Costs of Harmful Dual Uses of Foundation Models [103.71308117592963]
  本稿ではメタラーニングと逆学習の技法を活用した自己破壊モデルの学習アルゴリズムを提案する。 小規模な実験では、MLACは、BERTスタイルのモデルが性別識別を行うために再目的化されることをほとんど防ぐことができることを示す。
  論文  参考訳（メタデータ） (2022-11-27T21:43:45Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• End-to-End Topology-Aware Machine Learning for Power System Reliability Assessment [0.0]
  本稿では,信頼性指標を直接予測するエンド・ツー・エンドの機械学習に関する予備調査を提案する。 2つのモデル(Support Vector Machine と Boosting Trees)がトレーニングされ、比較される。 提案したエンドツーエンド機械学習パイプラインの信頼性評価への適用性を示す。
  論文  参考訳（メタデータ） (2022-05-30T00:00:14Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
  モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。 ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
  論文  参考訳（メタデータ） (2020-07-25T04:03:18Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。