論文の概要: Interpretable modulated differentiable STFT and physics-informed balanced spectrum metric for freight train wheelset bearing cross-machine transfer fault diagnosis under speed fluctuations

• arxiv url: http://arxiv.org/abs/2406.11917v1
• Date: Mon, 17 Jun 2024 02:43:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 00:46:12.066973
• Title: Interpretable modulated differentiable STFT and physics-informed balanced spectrum metric for freight train wheelset bearing cross-machine transfer fault diagnosis under speed fluctuations
• Title（参考訳）: 速度ゆらぎ下でのクロスマシントランスファー故障診断における解釈可能な変調可能なSTFTと物理インフォームドバランススペクトル測定
• Authors: Chao He, Hongmei Shi, Ruixin Li, Jianbo Li, ZuJun Yu,
• Abstract要約: クロスマシントランスファー診断(pyDSN)ネットワークは、時間変化速度でドメイン不変および離散的特徴を学習するために提案される。 分類計量と領域差測度に加えて、物理インフォームド計量と呼ばれる第3の種類の計量を創造的に導入する。
• 参考スコア（独自算出の注目度）: 5.372360410635473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The service conditions of wheelset bearings has a direct impact on the safe operation of railway heavy haul freight trains as the key components. However, speed fluctuation of the trains and few fault samples are the two main problems that restrict the accuracy of bearing fault diagnosis. Therefore, a cross-machine transfer diagnosis (pyDSN) network coupled with interpretable modulated differentiable short-time Fourier transform (STFT) and physics-informed balanced spectrum quality metric is proposed to learn domain-invariant and discriminative features under time-varying speeds. Firstly, due to insufficiency in extracting extract frequency components of time-varying speed signals using fixed windows, a modulated differentiable STFT (MDSTFT) that is interpretable with STFT-informed theoretical support, is proposed to extract the robust time-frequency spectrum (TFS). During training process, multiple windows with different lengths dynamically change. Also, in addition to the classification metric and domain discrepancy metric, we creatively introduce a third kind of metric, referred to as the physics-informed metric, to enhance transferable TFS. A physics-informed balanced spectrum quality (BSQ) regularization loss is devised to guide an optimization direction for MDSTFT and model. With it, not only can model acquire high-quality TFS, but also a physics-restricted domain adaptation network can be also acquired, making it learn real-world physics knowledge, ultimately diminish the domain discrepancy across different datasets. The experiment is conducted in the scenario of migrating from the laboratory datasets to the freight train dataset, indicating that the hybrid-driven pyDSN outperforms existing methods and has practical value.
• Abstract（参考訳）: 輪車軸受の運転条件は、鉄道重貨物列車の安全運転に直接的な影響を与えている。 しかし, 列車の速度変動と断層試料が少ないことが, 故障診断の精度を抑える主な問題である。 そこで, 解釈可能な可変可変短時間フーリエ変換(STFT)と物理インフォームドスペクトル品質測定を併用したクロスマシントランスファー診断(pyDSN)ネットワークを提案し, 時間変化速度下でのドメイン不変および識別的特徴を学習した。 まず,固定窓を用いた時間変化速度信号の抽出周波数成分の抽出が不十分なため,STFTインフォームド理論サポートと解釈可能な変調可微分STFT (MDSTFT) が提案され,堅牢な時間周波数スペクトル (TFS) を抽出する。 トレーニングプロセス中、異なる長さの複数のウィンドウが動的に変化する。 また, 分類基準と領域差測度に加えて, 物理インフォームド計量と呼ばれる第3の種類の計量を創造的に導入し, 伝送可能TFSを向上する。 MDSTFTとモデルのための最適化方向を導出するために,物理インフォームド平衡スペクトル品質(BSQ)正規化損失を考案した。 これにより、高品質のTFSをモデルにできるだけでなく、物理に制限されたドメイン適応ネットワークも取得でき、現実世界の物理知識を学習し、最終的には異なるデータセット間でドメインの不一致を減少させることができる。 この実験は、実験室のデータセットから貨物列車のデータセットへの移行シナリオにおいて行われ、ハイブリッド駆動のpyDSNが既存の手法より優れ、実用的な価値を持っていることを示す。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Quadratic Time-Frequency Analysis of Vibration Signals for Diagnosing Bearing Faults [15.613528945524791]
  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。
  論文  参考訳（メタデータ） (2024-01-02T12:02:50Z)
• Stochastic Latent Transformer: Efficient Modelling of Stochastically Forced Zonal Jets [0.0]
  本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。 SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。 水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:17:00Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• 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)
• Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings [0.7409922717686698]
  極端学習機械(ELM)とロジスティックマッピングに基づく転がり軸受の新しい高速故障診断法を提案する。 ケース・ウェスタン・リザーブ大学(CWRU)ベアリング・データ・センターの転がり軸受振動信号データセットについて広範な実験を行った。 提案手法は,予測精度の観点から既存のSOTA比較法より優れており,最大精度は7つのサブデータ環境において100%である。
  論文  参考訳（メタデータ） (2022-04-23T03:11:02Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Kinematically consistent recurrent neural networks for learning inverse problems in wave propagation [0.0]
  そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。 特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。 控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
  論文  参考訳（メタデータ） (2021-10-08T05:51:32Z)

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。