論文の概要: On the Condition Monitoring of Bolted Joints through Acoustic Emission and Deep Transfer Learning: Generalization, Ordinal Loss and Super-Convergence
- arxiv url: http://arxiv.org/abs/2405.20887v1
- Date: Wed, 29 May 2024 13:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 14:08:24.859140
- Title: On the Condition Monitoring of Bolted Joints through Acoustic Emission and Deep Transfer Learning: Generalization, Ordinal Loss and Super-Convergence
- Title（参考訳）: アコースティックエミッションとディープトランスファー学習による溶接継手の条件モニタリングについて:一般化, 正規損失および超収束
- Authors: Emmanuel Ramasso, Rafael de O. Teloli, Romain Marcel,
- Abstract要約: 本稿では, 畳み込みニューラルネットワーク(CNN)を用いた深部伝達学習を用いて, 音響放射を用いたボルト付き関節のモニタリングを行う。
3本のボルトで接続された2本の細いビームからなる構造であるORION-AEベンチマークを用いて,本手法の性能評価を行った。
- 参考スコア（独自算出の注目度）: 0.12289361708127876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the use of deep transfer learning based on convolutional neural networks (CNNs) to monitor the condition of bolted joints using acoustic emissions. Bolted structures are critical components in many mechanical systems, and the ability to monitor their condition status is crucial for effective structural health monitoring. We evaluated the performance of our methodology using the ORION-AE benchmark, a structure composed of two thin beams connected by three bolts, where highly noisy acoustic emission measurements were taken to detect changes in the applied tightening torque of the bolts. The data used from this structure is derived from the transformation of acoustic emission data streams into images using continuous wavelet transform, and leveraging pretrained CNNs for feature extraction and denoising. Our experiments compared single-sensor versus multiple-sensor fusion for estimating the tightening level (loosening) of bolts and evaluated the use of raw versus prefiltered data on the performance. We particularly focused on the generalization capabilities of CNN-based transfer learning across different measurement campaigns and we studied ordinal loss functions to penalize incorrect predictions less severely when close to the ground truth, thereby encouraging misclassification errors to be in adjacent classes. Network configurations as well as learning rate schedulers are also investigated, and super-convergence is obtained, i.e., high classification accuracy is achieved in a few number of iterations with different networks. Furthermore, results demonstrate the generalization capabilities of CNN-based transfer learning for monitoring bolted structures by acoustic emission with varying amounts of prior information required during training.
- Abstract（参考訳）: 本稿では, 畳み込みニューラルネットワーク(CNN)を用いた深部伝達学習を用いて, 超音波放射を用いたボルト接合部の状態をモニタリングする。
ボルト構造は多くのメカニカルシステムにおいて重要な要素であり、その状態を監視する能力は、効果的な構造的健康モニタリングに不可欠である。
3本のボルトで接続された2本の細いビームからなるOrION-AEベンチマークを用いて,本手法の性能評価を行った。
この構造から得られたデータは、連続ウェーブレット変換を用いて音響放射データストリームを画像に変換し、事前学習したCNNを用いて特徴抽出と復調を行う。
本実験では, ボルトの締め付けレベルを推定するために, 単センサと多センサフュージョンを比較し, 実・前フィルタデータを用いた性能評価を行った。
特に,CNNに基づく移動学習の一般化機能に着目し,不正確な予測を根本事実に近づいた場合,不正確な予測を過度に減らし,誤分類誤りを助長する順序的損失関数について検討した。
ネットワーク構成や学習速度スケジューラについても検討し,ネットワーク間の複数イテレーションにおいて高い分類精度を実現する。
さらに,CNNを用いた伝達学習の音響放射によるボルト状構造物監視の一般化能力について,訓練中に必要となる事前情報量について検証した。
関連論文リスト
- Understanding and Leveraging the Learning Phases of Neural Networks [7.1169582271841625]
深層ニューラルネットワークの学習力学はよく理解されていない。
本研究では,入力および予測性能の層再構築能力について検討し,学習力学を包括的に解析する。
本稿では,ResNetやVGGといった共通データセットとアーキテクチャを用いた3つのフェーズの存在を示す。
論文 参考訳（メタデータ） (2023-12-11T23:20:58Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Assessing the Generalization Gap of Learning-Based Speech Enhancement
Systems in Noisy and Reverberant Environments [0.7366405857677227]
目に見えない条件への一般化は、通常、新しい音声、雑音または部屋のインパルス応答データベースでシステムをテストすることで評価される。
本研究では,テスト条件に基づいてトレーニングした参照モデルを用いた一般化評価フレームワークを提案する。
提案手法を用いて,フィードフォワードニューラルネットワーク(FFNN),ConvTasNet,DCCRN,MANNERの一般化ポテンシャルを評価する。
論文 参考訳（メタデータ） (2023-09-12T12:51:12Z) - 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) - Measuring Overfitting in Convolutional Neural Networks using Adversarial
Perturbations and Label Noise [3.395452700023097]
過度に適合したニューラルネットワークは、目に見えないデータに一般化するよりも、トレーニングデータのノイズを記憶する傾向がある。
本稿では,VGG と ResNet に基づくアーキテクチャにおけるオーバーフィッティング対策について紹介する。
モデルプール外における複数のCNNアーキテクチャの過適合度を測定することにより,提案手法の適用性を評価する。
論文 参考訳（メタデータ） (2022-09-27T13:40:53Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - CNN-DST: ensemble deep learning based on Dempster-Shafer theory for
vibration-based fault recognition [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とDempster-Shafer理論(DST)に基づくアンサンブル深層学習フレームワークを提案する。
提案したCNN-DSTフレームワークを検証するために,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答を用いて作成した実験データセットに適用した。
提案したCNN-DSTフレームワークはタービンブレードを平均予測精度97.19%で分類する。
論文 参考訳（メタデータ） (2021-10-14T07:34:27Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z) - 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) - Fully convolutional networks for structural health monitoring through
multivariate time series classification [0.0]
構造健康モニタリング(SHM)への新たなアプローチを提案する。
広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。
損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
論文 参考訳（メタデータ） (2020-02-12T21:59:29Z)
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。