論文の概要: Quadratic Time-Frequency Analysis of Vibration Signals for Diagnosing Bearing Faults

• arxiv url: http://arxiv.org/abs/2401.01172v1
• Date: Tue, 2 Jan 2024 12:02:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 13:58:02.648642
• Title: Quadratic Time-Frequency Analysis of Vibration Signals for Diagnosing Bearing Faults
• Title（参考訳）: 軸受故障診断のための振動信号の2次時間周波数解析
• Authors: Mohammad Al-Sa'd, Tuomas Jalonen, Serkan Kiranyaz, and Moncef Gabbouj
• Abstract要約: 本稿では, 騒音レベルの異なる軸受欠陥を診断するための時間周波数解析と深層学習の融合について述べる。 転がり要素軸受の様々な欠陥を診断するための時間周波数畳み込みニューラルネットワーク(TF-CNN)を設計する。
• 参考スコア（独自算出の注目度）: 15.613528945524791
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diagnosis of bearing faults is paramount to reducing maintenance costs and operational breakdowns. Bearing faults are primary contributors to machine vibrations, and analyzing their signal morphology offers insights into their health status. Unfortunately, existing approaches are optimized for controlled environments, neglecting realistic conditions such as time-varying rotational speeds and the vibration's non-stationary nature. This paper presents a fusion of time-frequency analysis and deep learning techniques to diagnose bearing faults under time-varying speeds and varying noise levels. First, we formulate the bearing fault-induced vibrations and discuss the link between their non-stationarity and the bearing's inherent and operational parameters. We also elucidate quadratic time-frequency distributions and validate their effectiveness in resolving distinctive dynamic patterns associated with different bearing faults. Based on this, we design a time-frequency convolutional neural network (TF-CNN) to diagnose various faults in rolling-element bearings. Our experimental findings undeniably demonstrate the superior performance of TF-CNN in comparison to recently developed techniques. They also assert its versatility in capturing fault-relevant non-stationary features that couple with speed changes and show its exceptional resilience to noise, consistently surpassing competing methods across various signal-to-noise ratios and performance metrics. Altogether, the TF-CNN achieves substantial accuracy improvements up to 15%, in severe noise conditions.
• Abstract（参考訳）: 軸受欠陥の診断は、メンテナンスコストと運用上の故障を減らすために最重要である。 ベアリング断層は機械振動の主要な要因であり、その信号形態の分析は彼らの健康状態に関する洞察を与える。 残念ながら、既存のアプローチは制御された環境に最適化されており、時変回転速度や振動の非定常特性といった現実的な条件を無視している。 本稿では,周波数解析と深層学習の融合により,時変速度と騒音レベルの変化を考慮した軸受障害の診断を行う。 まず,軸受故障による振動を定式化し,その非定常性と軸受の固有および動作パラメータの関係について考察する。 また,2次時間周波数分布の解明と,異なる軸受断層に付随する特異な動的パターンの解明の有効性を検証した。 転がり要素軸受の様々な欠陥を診断するための時間周波数畳み込みニューラルネットワーク(TF-CNN)を設計する。 TF-CNNが最近開発された技術と比較して優れた性能を示した。 彼らはまた、速度変化を伴い、ノイズに対する例外的な回復力を示し、様々な信号対雑音比とパフォーマンス指標で競合する手法を一貫して上回っている、障害関連非定常的特徴を捉えることの汎用性も主張している。 総じてtf-cnnは、厳しい騒音条件下で15%の精度向上を達成している。

関連論文リスト

• Real-Time Vibration-Based Bearing Fault Diagnosis Under Time-Varying Speed Conditions [15.613528945524791]
  本稿では,複数障害の診断に有効なリアルタイム畳み込みニューラルネットワーク(CNN)を提案する。 本研究では, 内輪, 外輪, ローラーボール断層に係わる健全な軸受および軸受について実験を行った。
  論文  参考訳（メタデータ） (2023-11-30T13:30:00Z)
• 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)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Modelling non-Markovian noise in driven superconducting qubits [2.7648976108201815]
  非マルコフノイズは超伝導量子ビットにおける重要な誤差の源となる。 我々は,非マルコフ雑音がアイドルおよび駆動量子ビットに与える影響をキャラクタリゼーションし,モデル化するゲート列を開発した。
  論文  参考訳（メタデータ） (2023-06-22T16:30:29Z)
• 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)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Stabilizing and improving qubit coherence by engineering noise spectrum of two-level systems [52.77024349608834]
  超伝導回路は量子コンピューティングの主要なプラットフォームである。 アモルファス酸化物層内の電荷変動器は、低周波1/f$の電荷ノイズと高周波誘電損失の両方に寄与する。 本稿では,TLS雑音スペクトル密度の工学的手法により,有害な影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-06-21T18:37:38Z)
• A Multi-size Kernel based Adaptive Convolutional Neural Network for Bearing Fault Diagnosis [5.811146610419976]
  マルチサイズカーネルを用いた適応畳み込みニューラルネットワーク(MSKACNN)と呼ばれる軸受振動特性に基づくデータ駆動型診断アルゴリズムを提案する。 MSKACNNは振動特徴学習と信号分類機能を提供し、ベアリング障害を特定し解析する。
  論文  参考訳（メタデータ） (2022-03-29T06:43:30Z)
• Frequency fluctuations of ferromagnetic resonances at milliKelvin temperatures [50.591267188664666]
  ノイズはデバイスの性能、特に量子コヒーレント回路に有害である。 最近の研究は、超伝導量子ビットへの単一のマグノンをベースとした量子技術にマグノンシステムを活用するためのルートを実証している。 時間的挙動を研究することは、基礎となるノイズ源を特定するのに役立つ。
  論文  参考訳（メタデータ） (2021-07-14T08:00:37Z)
• Stabilization of Qubit Relaxation Rates by Frequency Modulation [68.8204255655161]
  量子ビットのコヒーレンス特性における時間的・スペクトル的・サンプル間変動は、高スケールのフォールトトレラント量子コンピュータの開発において顕著な課題となっている。 超伝導量子ビットにおけるこれらのゆらぎのユビキタス源は、2レベル構造を持つ原子スケール欠陥の集合である。 量子ビットの周波数変調、あるいは2レベル欠陥の周波数変調は、広い周波数間隔での量子ビット緩和率の平均化につながることを示す。
  論文  参考訳（メタデータ） (2021-04-08T11:32:03Z)

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。