論文の概要: Exploring Sound vs Vibration for Robust Fault Detection on Rotating Machinery

• arxiv url: http://arxiv.org/abs/2312.10742v1
• Date: Sun, 17 Dec 2023 15:27:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 14:46:49.691106
• Title: Exploring Sound vs Vibration for Robust Fault Detection on Rotating Machinery
• Title（参考訳）: 回転機械のロバスト故障検出のための音と振動の探索
• Authors: Serkan Kiranyaz, Ozer Can Devecioglu, Amir Alhams, Sadok Sassi, Turker Ince, Onur Avci, and Moncef Gabbouj
• Abstract要約: 本研究は, カタール大学Dual-Machine Bearing Fault Benchmarkデータセット(QU-DMBF)を提案する。 我々は,多数の設置条件と運転条件により,振動に基づく故障検出の大きな限界と欠点に焦点をあてる。 幅広い実験結果から, 音による断層検出法は, 振動による検出法よりもかなり頑健であることがわかった。
• 参考スコア（独自算出の注目度）: 13.480792901281047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust and real-time detection of faults on rotating machinery has become an ultimate objective for predictive maintenance in various industries. Vibration-based Deep Learning (DL) methodologies have become the de facto standard for bearing fault detection as they can produce state-of-the-art detection performances under certain conditions. Despite such particular focus on the vibration signal, the utilization of sound, on the other hand, has been neglected whilst only a few studies have been proposed during the last two decades, all of which were based on a conventional ML approach. One major reason is the lack of a benchmark dataset providing a large volume of both vibration and sound data over several working conditions for different machines and sensor locations. In this study, we address this need by presenting the new benchmark Qatar University Dual-Machine Bearing Fault Benchmark dataset (QU-DMBF), which encapsulates sound and vibration data from two different motors operating under 1080 working conditions overall. Then we draw the focus on the major limitations and drawbacks of vibration-based fault detection due to numerous installation and operational conditions. Finally, we propose the first DL approach for sound-based fault detection and perform comparative evaluations between the sound and vibration over the QU-DMBF dataset. A wide range of experimental results shows that the sound-based fault detection method is significantly more robust than its vibration-based counterpart, as it is entirely independent of the sensor location, cost-effective (requiring no sensor and sensor maintenance), and can achieve the same level of the best detection performance by its vibration-based counterpart. With this study, the QU-DMBF dataset, the optimized source codes in PyTorch, and comparative evaluations are now publicly shared.
• Abstract（参考訳）: 回転機械の故障のロバストかつリアルタイム検出は, 各種産業における予測維持の究極の目標となっている。 振動に基づくDeep Learning(DL)手法は,一定の条件下での最先端検出性能を実現するため,欠陥検出の事実上の標準となっている。 このような振動信号に特に焦点が当てられているにもかかわらず、音の利用は無視されている一方、過去20年間に提案されてきた研究はごくわずかであり、いずれも従来のMLアプローチに基づいている。 主な理由は、さまざまなマシンやセンサロケーションの動作条件において、振動と音の両方のデータを大量に提供するベンチマークデータセットが欠如していることだ。 本研究では, カタール大学Dual-Machine Bearing Fault Benchmark データセット (QU-DMBF) を用いて, 1080 の作業条件下で動作している2つのモータの音・振動データをカプセル化することで, このニーズに対処する。 そして,多数の設置条件と運転条件により,振動による断層検出の大きな限界と欠点に焦点をあてる。 最後に, 音響ベース故障検出のための最初のdl手法を提案し, qu-dmbfデータセット上の音と振動の比較評価を行う。 本手法は, センサ位置と独立性, コスト効率(センサやセンサのメンテナンスを必要とせず, 振動による検出性能と同等のレベルを達成できるため, 振動による検出方法よりもはるかに頑健であることを示す。 この研究により、QU-DMBFデータセット、PyTorchの最適化されたソースコード、および比較評価が公開された。

関連論文リスト

• 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)
• Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
  動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。 標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。 Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
  論文  参考訳（メタデータ） (2024-04-02T13:43:08Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• A Closer Look at Bearing Fault Classification Approaches [1.9531938396288886]
  近年,転がり軸受の異常診断が注目されている。 近年の技術進歩により、これらの資産の健全性を大規模に監視できるようになった。 近年,転がり軸受の異常診断が注目されている。
  論文  参考訳（メタデータ） (2023-09-29T06:11:11Z)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• Discussion of Features for Acoustic Anomaly Detection under Industrial Disturbing Noise in an End-of-Line Test of Geared Motors [0.0]
  本研究の目的は,運動終端試験における異常検出に使用される特徴の頑健性について検討することである。 典型的な断層と音響障害のあるデータセットを音響アレイで記録する。 ほとんどの障害は回避できるが、ハンマーや空気圧の使用はしばしば問題を引き起こす。
  論文  参考訳（メタデータ） (2022-11-03T11:08:41Z)
• Cutting Through the Noise: An Empirical Comparison of Psychoacoustic and Envelope-based Features for Machinery Fault Detection [6.9260317236159]
  本稿では,Lenze Production background-noise (LPBN) 実世界のデータセットと,車載モータの終端点検のためのARAIシステムについて述べる。 アコースティックアレイは、マイナーな故障、主要な故障、または健康なモータからデータを取得するために使用される。 我々の知る限りでは、私たちは初めて、時間変化の心理音響的特徴を断層検出に適用しました。
  論文  参考訳（メタデータ） (2022-11-03T10:56:17Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• Deep learning for brake squeal: vibration detection, characterization and prediction [2.20200533591633]
  本稿では, 摩擦ブレーキ系振動と騒音発生機構について, より深い知見を得るため, データ集中振動試験の取扱い方について報告する。 典型的な摩擦ノイズ記録のいくつかのクラスを識別するために、深層学習ブレーキスクイール検出器を開発した。 繰り返しニューラルネットワークを用いて、オペレーティングブレーキシステムの動的安定性を決定するパラメトリックパターンを学習する。
  論文  参考訳（メタデータ） (2020-01-02T15:54:20Z)

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。