Fugu-MT 論文翻訳(概要): Exploring Wavelet Transformations for Deep Learning-based Machine Condition Diagnosis

論文の概要: Exploring Wavelet Transformations for Deep Learning-based Machine Condition Diagnosis

arxiv url: http://arxiv.org/abs/2408.09644v1
Date: Mon, 19 Aug 2024 02:06:33 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 17:53:49.667732
Title: Exploring Wavelet Transformations for Deep Learning-based Machine Condition Diagnosis
Title（参考訳）: 深層学習に基づく機械条件診断のためのウェーブレット変換の探索
Authors: Eduardo Jr Piedad, Christian Ainsley Del Rosario, Eduardo Prieto-Araujo, Oriol Gomis-Bellmunt,
Abstract要約: 本研究では、時系列電流信号をウェーブレット変換により時間周波数2D表現に変換する。この研究はWT-Amor、WT-Bump、WT-Morse、WSST-Amor、WSST-Bumpの5つの技術を用いている。 WT-Amor、WT-Bump、WT-MorseのDLモデルは、それぞれ90.93、89.20、93.73%のピークモデル精度で顕著な効果を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning (DL) strategies have recently been utilized to diagnose motor faults by simply analyzing motor phase current signals, offering a less costly and non-intrusive alternative to vibration sensors. This research transforms these time-series current signals into time-frequency 2D representations via Wavelet Transform (WT). The dataset for motor current signals includes 3,750 data points across five categories: one representing normal conditions and four representing artificially induced faults, each under five different load conditions: 0, 25, 50, 75, and 100%. The study employs five WT-based techniques: WT-Amor, WT-Bump, WT-Morse, WSST-Amor, and WSST-Bump. Subsequently, five DL models adopting prior Convolutional Neural Network (CNN) architecture were developed and tested using the transformed 2D plots from each method. The DL models for WT-Amor, WT-Bump, and WT-Morse showed remarkable effectiveness with peak model accuracy of 90.93, 89.20, and 93.73%, respectively, surpassing previous 2D-image-based methods that recorded accuracy of 80.25, 74.80, and 82.80% respectively using the identical dataset and validation protocol. Notably, the WT-Morse approach slightly exceeded the formerly highest ML technique, achieving a 93.20% accuracy. However, the two WSST methods that utilized synchrosqueezing techniques faced difficulty accurately classifying motor faults. The performance of Wavelet-based deep learning methods offers a compelling alternative for machine condition monitoring.
Abstract（参考訳）: 深層学習(DL)戦略は、モータ位相電流信号を単純に分析することでモータ故障の診断に利用され、より安価で非侵襲的な振動センサの代替手段を提供する。本研究では、これらの時系列電流信号をウェーブレット変換(WT)を介して時間周波数2D表現に変換する。モータ電流信号のデータセットは、5つのカテゴリにまたがる3,750のデータポイントを含み、1つは正常な状態を表し、4つは人工的に誘発された断層を表し、それぞれ0、25、50、75、100%の5つの異なる負荷条件の下で表現される。この研究はWT-Amor、WT-Bump、WT-Morse、WSST-Amor、WSST-Bumpの5つの技術を用いている。その後、従来の畳み込みニューラルネットワーク(CNN)アーキテクチャを採用した5つのDLモデルを開発し、各手法から変換された2Dプロットを用いて検証した。 WT-Amor、WT-Bump、WT-MorseのDLモデルは、それぞれ90.93、89.20、93.73%のピークモデル精度で顕著な効果を示した。特にWT-Morseのアプローチは、これまでで最も高いML手法をわずかに上回り、93.20%の精度を達成した。しかし,同期シーズ技術を利用した2つのWSST法は,モータ故障を正確に分類することが困難であった。 Waveletベースのディープラーニング手法のパフォーマンスは、マシン条件監視の魅力的な代替手段を提供する。

関連論文リスト

One-Step Diffusion Distillation through Score Implicit Matching [74.91234358410281]
本稿では,Score Implicit Matching (SIM) を用いて,事前学習した拡散モデルを単一ステップジェネレータモデルに蒸留する手法を提案する。 SIMはワンステップジェネレータに対して強い経験的性能を示す。リードトランスに基づく拡散モデルにSIMを適用することにより,テキスト・ツー・イメージ生成のための単一ステップ生成器を蒸留する。
論文参考訳（メタデータ） (2024-10-22T08:17:20Z)
Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants [0.0]
本研究では,短時間フーリエ変換(STFT)法を用いた時系列モータ電流信号を時間周波数2Dプロットに変換する。従来の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ディープラーニング(DL)モデルをトレーニングし、検証する。 4つの手法が93.20%の精度で過去の最高のML法を上回り、5つの手法はそれぞれ80.25、74.80、82.80%の精度で以前の2Dプロット法を上回りました。
論文参考訳（メタデータ） (2024-08-19T02:16:17Z)
DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning [0.0]
本稿では,これらの課題を解決するための軽量軸受故障診断モデルDKDL-Netを提案する。このモデルは、知識蒸留と低階適応微調整を分離することにより、CWRUデータセットに基づいて訓練される。実験により、DKDL-Netは、モデル性能を維持しながら、テストセットにおける計算複雑性の99.48%の精度を達成することが示された。
論文参考訳（メタデータ） (2024-06-10T09:09:08Z)
T-PRIME: Transformer-based Protocol Identification for Machine-learning at the Edge [7.170870264936032]
T-PRIMEはTransformerベースの機械学習アプローチである。送信フレームの構造設計をアテンション機構を通じて学習する。これは、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を厳格に分析します。
論文参考訳（メタデータ） (2024-01-09T22:01:55Z)
Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
論文参考訳（メタデータ） (2023-05-21T21:16:20Z)
Model-Generated Pretraining Signals Improves Zero-Shot Generalization of Text-to-Text Transformers [98.30298332661323]
本稿では,T5などのテキスト変換器のゼロショット一般化におけるモデル生成信号の有効性について検討する。我々は新しいモデルMETRO-T0を開発し、ELECTRA-Style事前学習戦略を用いて事前訓練を行い、次にNLPタスクの混合を即時微調整する。その結果,METRO-T0の有効性は,パラメータのよりバランスの取れた寄与と,それらの能力の有効利用に起因していることが判明した。
論文参考訳（メタデータ） (2023-05-21T21:06:23Z)
Transformer-based approaches to Sentiment Detection [55.41644538483948]
テキスト分類のための4種類の最先端変圧器モデルの性能について検討した。 RoBERTa変換モデルは82.6%のスコアでテストデータセット上で最高のパフォーマンスを示し、品質予測に非常に推奨されている。
論文参考訳（メタデータ） (2023-03-13T17:12:03Z)
Driver Maneuver Detection and Analysis using Time Series Segmentation and Classification [7.413735713939367]
本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
論文参考訳（メタデータ） (2022-11-10T03:38:50Z)
From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-07-27T17:30:49Z)
Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。