論文の概要: Can Transformers Predict Vibrations?

• arxiv url: http://arxiv.org/abs/2402.10511v1
• Date: Fri, 16 Feb 2024 08:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 17:06:29.795727
• Title: Can Transformers Predict Vibrations?
• Title（参考訳）: 変圧器は振動を予測できるのか?
• Authors: Fusataka Kuniyoshi, Yoshihide Sawada
• Abstract要約: 電気自動車(EV)は、ねじれ共鳴(torrional resonance)として知られる荒れた地形を走行する際に振動を経験する。 現在の減衰技術は、駆動軸トルクの振動振幅が一定の閾値に達した後にのみ共鳴を検出する。 本稿では、反り共鳴を予測するための変換器モデルであるResoformerを紹介する。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Highly accurate time-series vibration prediction is an important research issue for electric vehicles (EVs). EVs often experience vibrations when driving on rough terrains, known as torsional resonance. This resonance, caused by the interaction between motor and tire vibrations, puts excessive loads on the vehicle's drive shaft. However, current damping technologies only detect resonance after the vibration amplitude of the drive shaft torque reaches a certain threshold, leading to significant loads on the shaft at the time of detection. In this study, we propose a novel approach to address this issue by introducing Resoformer, a transformer-based model for predicting torsional resonance. Resoformer utilizes time-series of the motor rotation speed as input and predicts the amplitude of torsional vibration at a specified quantile occurring in the shaft after the input series. By calculating the attention between recursive and convolutional features extracted from the measured data points, Resoformer improves the accuracy of vibration forecasting. To evaluate the model, we use a vibration dataset called VIBES (Dataset for Forecasting Vibration Transition in EVs), consisting of 2,600 simulator-generated vibration sequences. Our experiments, conducted on strong baselines built on the VIBES dataset, demonstrate that Resoformer achieves state-of-the-art results. In conclusion, our study answers the question "Can Transformers Forecast Vibrations?" While traditional transformer architectures show low performance in forecasting torsional resonance waves, our findings indicate that combining recurrent neural network and temporal convolutional network using the transformer architecture improves the accuracy of long-term vibration forecasting.
• Abstract（参考訳）: 電気自動車(EV)では,高精度な時系列振動予測が重要な研究課題である。 evはしばしば、ねじれ共鳴(torsional resonance)として知られる荒い地形を走行するときに振動を経験する。 この共鳴は、モーターとタイヤの振動の相互作用によって引き起こされ、車両の駆動軸に過度の負荷をかける。 しかし、電流減衰技術は駆動軸トルクの振動振幅が一定の閾値に達した後にのみ共鳴を検知し、検出時に軸にかなりの負荷がかかる。 本研究では,反り共振予測モデルであるResoformerを導入することにより,この問題に対処する新しい手法を提案する。 リソフォーマは、モータ回転速度の時系列を入力として使用し、入力系列後にシャフトに発生する特定の量子化におけるねじり振動の振幅を予測する。 測定データ点から抽出した再帰的特徴と畳み込み特徴との注意を算出し、振動予測の精度を向上させる。 このモデルを評価するために,2,600個のシミュレータ生成振動列からなる振動データセットvibes (dataset for forecasting vibration transition in evs) を用いた。 我々の実験は、VIBESデータセット上に構築された強いベースラインに基づいて行われ、Resoformerが最先端の結果を得ることを示す。 結論として,我々は「Can Transformers Forecast Vibrations? 従来のトランスアーキテクチャではねじり共鳴波の予測性能は低いが,トランスアーキテクチャを用いた繰り返しニューラルネットワークと時間畳み込みネットワークの組み合わせにより,長期振動予測の精度が向上することを示す。

関連論文リスト

• Analysis of Impulsive Interference in Digital Audio Broadcasting Systems in Electric Vehicles [2.056630504912993]
  電気自動車(EV)のインパルス干渉は、無線デジタル伝送システムを劣化させる。 本稿では,我々のEVテストベッドから記録したデータを用いて,デジタルオーディオ放送帯域におけるインパルス干渉を解析する。 以上の結果から, インパルスイベントは連続した受信信号サンプルにまたがり, バースト特性を示すことがわかった。
  論文  参考訳（メタデータ） (2024-05-17T14:48:37Z)
• Exploring Sound vs Vibration for Robust Fault Detection on Rotating Machinery [13.480792901281047]
  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。
  論文  参考訳（メタデータ） (2023-12-17T15:27:32Z)
• Learning to Predict Structural Vibrations [2.4746345679821617]
  飛行機、車、家屋などの機械構造では、騒音が発生し振動によって伝達される。 このノイズを低減させるためには、高価な数値計算で振動をシミュレートする必要がある。 本稿では,高調波励起板の振動予測に関するベンチマークを示す。
  論文  参考訳（メタデータ） (2023-10-09T07:26:35Z)
• 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)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Vibration fault detection in wind turbines based on normal behaviour models without feature engineering [0.0]
  ほとんどの風力発電機は遠隔で24/7に監視されており、運用上の問題を早期に検出し、損傷を発生させることができる。 本稿では, 特徴工学を必要としない振動監視駆動列車の故障検出手法を提案する。
  論文  参考訳（メタデータ） (2022-06-24T18:24:07Z)
• Dynamics of Transmon Ionization [94.70553167084388]
  本研究では, 駆動型トランスモン共振器システムの動的特性を, 強力でほぼ共振的な測定駆動下で数値的に探索する。 我々は、クォービットがコサインポテンシャルから逃れるトランスモンイオン化の明確なサインを見つける。
  論文  参考訳（メタデータ） (2022-03-21T18:00:15Z)
• Transformers in Time Series: A Survey [66.50847574634726]
  時系列モデリングのためのTransformerスキームを,その強みと限界を強調して体系的にレビューする。 ネットワーク構造の観点から、トランスフォーマーに施された適応と修正を要約する。 応用の観点からは,予測,異常検出,分類などの共通タスクに基づいて時系列変換器を分類する。
  論文  参考訳（メタデータ） (2022-02-15T01:43:27Z)
• Reinforcement Learning Approach to Vibration Compensation for Dynamic Feed Drive Systems [62.19441737665902]
  機械工具軸に適用された振動補償に対する強化学習に基づくアプローチを提案する。 本研究は, 産業機械のハードウェアと制御システムを用いた問題定式化, ソリューション, 実装, 実験について述べる。
  論文  参考訳（メタデータ） (2020-04-14T14:22:36Z)
• 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。