論文の概要: Acoustic Signal Analysis with Deep Neural Network for Detecting Fault Diagnosis in Industrial Machines

• arxiv url: http://arxiv.org/abs/2312.01062v1
• Date: Sat, 2 Dec 2023 08:09:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 19:31:22.212459
• Title: Acoustic Signal Analysis with Deep Neural Network for Detecting Fault Diagnosis in Industrial Machines
• Title（参考訳）: 深層ニューラルネットワークを用いた産業機械の故障診断のための音響信号解析
• Authors: Mustafa Yurdakul and Sakir Tasdemir
• Abstract要約: 本研究では,産業機械が生み出す音声信号を分析するための深層学習システムについて検討した。 提案手法の精度は97.17%から99.87%まで変化した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting machine malfunctions at an early stage is crucial for reducing interruptions in operational processes within industrial settings. Recently, the deep learning approach has started to be preferred for the detection of failures in machines. Deep learning provides an effective solution in fault detection processes thanks to automatic feature extraction. In this study, a deep learning-based system was designed to analyze the sound signals produced by industrial machines. Acoustic sound signals were converted into Mel spectrograms. For the purpose of classifying spectrogram images, the DenseNet-169 model, a deep learning architecture recognized for its effectiveness in image classification tasks, was used. The model was trained using the transfer learning method on the MIMII dataset including sounds from four types of industrial machines. The results showed that the proposed method reached an accuracy rate varying between 97.17% and 99.87% at different Sound Noise Rate levels.
• Abstract（参考訳）: 機械故障を早期に検出することは、産業環境での運用プロセスの中断を減らすために重要である。 近年,機械の故障検出にディープラーニングアプローチが好まれるようになった。 ディープラーニングは,自動特徴抽出による障害検出プロセスにおいて,効果的なソリューションを提供する。 本研究では,産業機械が生み出す音声信号を分析するための深層学習システムについて検討した。 音響信号はメル分光器に変換された。 スペクトログラム画像の分類のために,画像分類タスクの有効性が認識されたディープラーニングアーキテクチャであるDenseNet-169モデルを使用した。 このモデルは,4種類の産業機械の音を含むMIMIIデータセットの伝達学習法を用いて訓練された。 その結果, 提案手法は, 音速レベルの異なる97.17%から99.87%の精度に到達した。

関連論文リスト

• What to Remember: Self-Adaptive Continual Learning for Audio Deepfake Detection [53.063161380423715]
  既存の検出モデルは、既知のディープフェイク音声を識別することに成功したが、新しい攻撃タイプに遭遇する際には苦労している。 本稿では,Radian Weight Modification (RWM) と呼ばれる連続的な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T09:52:17Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• Transfer Learning Based Diagnosis and Analysis of Lung Sound Aberrations [0.35232085374661276]
  本研究は、聴診器と音声記録ソフトウェアによって得られた呼吸音を非侵襲的に識別する手法を開発することを目的とする。 各オーディオサンプルの視覚的表現が構築され、視覚を効果的に記述するために使用されるような方法を用いて、分類のためのリソース識別が可能である。 呼吸音響データベースは、95%の精度、88%の精度、86%のリコールスコア、81%のF1スコアを含む最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-03-15T04:46:57Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Deep Scattering Spectrum germaneness to Fault Detection and Diagnosis for Component-level Prognostics and Health Management (PHM) [0.0]
  本研究は,産業用ロボットの機械的構成要素に対するDES(Deep Scattering Spectrum)の故障検出とデイグナシスとの関連性について考察する。 複数の産業用ロボットと異なる機械的欠陥を使って、障害を分類するアプローチを構築しました。 提案手法は, 実用試験台に実装され, 故障検出および診断において良好な性能を示した。
  論文  参考訳（メタデータ） (2022-10-18T13:25:02Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Canonical Polyadic Decomposition and Deep Learning for Machine Fault Detection [0.0]
  マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。 健康状態のみのデータを用いてトレーニングされた新しいアルゴリズムを開発し、教師なしの異常検出を行った。 これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。
  論文  参考訳（メタデータ） (2021-07-20T14:06:50Z)
• Anomalous Sound Detection with Machine Learning: A Systematic Review [0.0]
  本稿では,機械学習(ML)技術を用いたアナモルス音検出に関する研究に関するシステムレビュー(SR)について述べる。 技術の現状は、データセットの収集、音声の特徴抽出方法、mlモデル、およびasdに使用される評価方法によって解決された。
  論文  参考訳（メタデータ） (2021-02-15T19:57:03Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• Acoustic Anomaly Detection for Machine Sounds based on Image Transfer Learning [8.828131257265369]
  本稿では,伝達学習による音響的故障検出について考察する。 我々は、画像分類のタスクで事前訓練されたニューラルネットワークを使用する。 ResNetベースのネットワークから抽出した機能は、AlexNetやSqueezenetよりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-06-05T13:29:12Z)

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。