Fugu-MT 論文翻訳(概要): Bearing Fault Diagnosis using Graph Sampling and Aggregation Network

論文の概要: Bearing Fault Diagnosis using Graph Sampling and Aggregation Network

arxiv url: http://arxiv.org/abs/2408.07099v1
Date: Mon, 12 Aug 2024 12:32:03 GMT
ステータス: 処理完了
システム内更新日: 2024-08-15 15:07:25.891220
Title: Bearing Fault Diagnosis using Graph Sampling and Aggregation Network
Title（参考訳）: グラフサンプリングとアグリゲーションネットワークを用いた軸受異常診断
Authors: Jiaying Chen, Xusheng Du, Yurong Qian, Gwanggil Jeon,
Abstract要約: 軸受欠陥のタイムリーかつ正確な検出は、破滅的な事故の防止と製品品質の確保に重要な役割を果たしている。従来の信号解析手法と深層学習に基づく故障検出アルゴリズムは、信号間の複雑な相関を考慮に入れない。本稿では, GSABFD (GraphSAGE-based Bearing fault Diagnosis) アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 7.9129510166723085
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Bearing fault diagnosis technology has a wide range of practical applications in industrial production, energy and other fields. Timely and accurate detection of bearing faults plays an important role in preventing catastrophic accidents and ensuring product quality. Traditional signal analysis techniques and deep learning-based fault detection algorithms do not take into account the intricate correlation between signals, making it difficult to further improve detection accuracy. To address this problem, we introduced Graph Sampling and Aggregation (GraphSAGE) network and proposed GraphSAGE-based Bearing fault Diagnosis (GSABFD) algorithm. The original vibration signal is firstly sliced through a fixed size non-overlapping sliding window, and the sliced data is feature transformed using signal analysis methods; then correlations are constructed for the transformed vibration signal and further transformed into vertices in the graph; then the GraphSAGE network is used for training; finally the fault level of the object is calculated in the output layer of the network. The proposed algorithm is compared with five advanced algorithms in a real-world public dataset for experiments, and the results show that the GSABFD algorithm improves the AUC value by 5% compared with the next best algorithm.
Abstract（参考訳）: ベアリング断層診断技術は、工業生産、エネルギー、その他の分野に幅広い実用的応用がある。軸受欠陥のタイムリーかつ正確な検出は、破滅的な事故の防止と製品品質の確保に重要な役割を果たしている。従来の信号解析技術と深層学習に基づく故障検出アルゴリズムは、信号間の複雑な相関を考慮に入れておらず、検出精度をさらに向上することは困難である。この問題を解決するため,グラフサンプリング・アグリゲーション(GraphSAGE)ネットワークを導入し,GSABFD(Graph Smpling and Aggregation)アルゴリズムを提案する。まず、元の振動信号を固定サイズの非重なり窓を通してスライスし、信号解析法を用いてスライスデータを特徴変換し、変換された振動信号に対して相関を構築し、さらにグラフ内の頂点に変換し、トレーニングにGraphSAGEネットワークを使用し、最終的に、対象物の故障レベルをネットワークの出力層で算出する。提案アルゴリズムは実世界の公開データセットにおける5つの高度なアルゴリズムと比較し、GSABFDアルゴリズムは次の最良のアルゴリズムと比較してAUC値を5%改善することを示した。

関連論文リスト

Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model [7.600902237804825]
マルチスケール畳み込みニューラルネットワークモデルに基づく転がり軸受故障診断手法を提案する。 ResNet法と比較して,提案手法はより優れた一般化性能と反雑音性能を有することを示す。
論文参考訳（メタデータ） (2024-03-21T06:42:35Z)
An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
論文参考訳（メタデータ） (2023-10-25T12:55:16Z)
Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文参考訳（メタデータ） (2022-10-20T11:03:21Z)
Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
グラフニューラルネットワークを用いた新しい故障検出手法を提案する。 AIと現実世界のメカニカルシステムの間に橋を架けている。提案手法は, 通常の対象領域に混在する異常物体を検出する。
論文参考訳（メタデータ） (2022-04-24T08:54:55Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
論文参考訳（メタデータ） (2020-10-25T17:08:13Z)
FaultNet: A Deep Convolutional Neural Network for bearing fault classification [7.148679715851955]
我々は、異なる信号処理法を組み合わせることで、機械系の振動信号データを軸受で解析する。本稿では,高精度にベアリング障害のタイプを効果的に決定できる畳み込みニューラルネットワークFactNetを提案する。
論文参考訳（メタデータ） (2020-10-05T16:50:08Z)
Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-15T13:59:28Z)
Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
グラフ信号定常性の概念に依存するオフライン手法を提案する。我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
論文参考訳（メタデータ） (2020-06-18T15:51:38Z)
Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。