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
- Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2024-06-30T14:55:18Z) - Robust-MBDL: A Robust Multi-branch Deep Learning Based Model for
Remaining Useful Life Prediction and Operational Condition Identification of
Rotating Machines [1.2593669712329136]
提案システムは,(1)振動データを復調するLSTM-Autoencoder,(2)識別されたデータから時間領域,周波数領域,時間周波数ベースの特徴を生成する特徴抽出,(3)複数の特徴を利用する新規で堅牢なマルチブランチ深層学習ネットワークアーキテクチャを含む。
提案システムの性能を,XJTU-SY と PRONOSTIA の2つのベンチマークデータセットの最先端システムと比較した。
論文 参考訳(メタデータ) (2023-09-12T11:58:53Z) - 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) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - Combining Deep Learning with Physics Based Features in
Explosion-Earthquake Discrimination [1.135816669534854]
本稿では, 地震と爆発を区別する高度な手法を提案する。
提案手法は, 地震波形や分光図を直接操作する深層学習枝と, 物理に基づくパラメトリック特徴を演算する第2枝とを含む。
論文 参考訳(メタデータ) (2022-03-12T04:57:25Z) - Testing Deep Learning Models: A First Comparative Study of Multiple
Testing Techniques [15.695048480513536]
視覚ベースのシステム(VBS)は、自律運転、ロボット手術、重要なインフラ監視、航空および海上交通管制などに用いられる。
ディープラーニング(DL)は、自律運転、ロボット手術、重要なインフラ監視、空気および海洋交通制御などの重要な応用において、視覚ベースのシステム(VBS)の能力に革命をもたらした。
論文 参考訳(メタデータ) (2022-02-24T15:05:19Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳(メタデータ) (2021-11-28T14:24:52Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳(メタデータ) (2021-10-17T13:42:37Z) - Model of the Weak Reset Process in HfOx Resistive Memory for Deep
Learning Frameworks [0.6745502291821955]
酸化ハフニウムRRAMにおける弱いRESET過程のモデルを提案する。
私たちはこのモデルをPyTorchディープラーニングフレームワークに統合します。
我々はこのツールを用いて、MNIST手書き文字認識タスクのためのバイナリニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2021-07-02T08:50:35Z) - ASFD: Automatic and Scalable Face Detector [129.82350993748258]
ASFD(Automatic and Scalable Face Detector)を提案する。
ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。
ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
論文 参考訳(メタデータ) (2020-03-25T06:00:47Z)
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。