Fugu-MT 論文翻訳(概要): Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants

論文の概要: Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants

arxiv url: http://arxiv.org/abs/2408.09649v2
Date: Mon, 14 Oct 2024 10:05:49 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 06:55:48.691441
Title: Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants
Title（参考訳）: 短時間フーリエ変換変数を用いたディープラーニングに基づく機械条件診断
Authors: Eduardo Jr Piedad, Zherish Galvin Mayordo, Eduardo Prieto-Araujo, Oriol Gomis-Bellmunt,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In motor condition diagnosis, electrical current signature serves as an alternative feature to vibration-based sensor data, which is a more expensive and invasive method. Machine learning (ML) techniques have been emerging in diagnosing motor conditions using only motor phase current signals. This study converts time-series motor current signals to time-frequency 2D plots using Short-time Fourier Transform (STFT) methods. The motor current signal dataset consists of 3,750 sample points with five classes - one healthy and four synthetically-applied motor fault conditions, and with five loading conditions: 0, 25, 50, 75, and 100%. Five transformation methods are used on the dataset: non-overlap and overlap STFTs, non-overlap and overlap realigned STFTs, and synchrosqueezed STFT. Then, deep learning (DL) models based on the previous Convolutional Neural Network (CNN) architecture are trained and validated from generated plots of each method. The DL models of overlap-STFT, overlap R-STFT, non-overlap STFT, non-overlap R-STFT, and synchrosqueezed-STFT performed exceptionally with an average accuracy of 97.65, 96.03, 96.08, 96.32, and 88.27%, respectively. Four methods outperformed the previous best ML method with 93.20% accuracy, while all five outperformed previous 2D-plot-based methods with accuracy of 80.25, 74.80, and 82.80%, respectively, using the same dataset, same DL architecture, and validation steps.
Abstract（参考訳）: 運動条件診断において、電流シグネチャは、より高価で侵襲的な方法である振動に基づくセンサデータに代わる特徴として機能する。機械学習(ML)技術は、モータ位相電流信号のみを用いた運動条件の診断において出現している。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。モータ電流信号データセットは、3750個のサンプルポイントと5つのクラス – 1つの健康状態と4つの合成適用モーター故障条件,および5つの負荷条件 – 0, 25, 50, 75, 75, 100% – から構成されている。データセットには、非オーバーラップ、重複STFT、非オーバーラップ、重複STFT、同期STFTの5つの変換方法が使用されている。次に、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)モデルを訓練し、各手法の生成されたプロットから検証する。重複STFT、重複R-STFT、非オーバーラップSTFT、非オーバーラップR-STFT、シンクロスキーズSTFTのDLモデルは、それぞれ97.65、96.03、96.08、96.32、88.27%の平均精度で例外的に実行された。 4つの手法が93.20%の精度で過去の最高のML手法を上回り、5つの手法は、それぞれ80.25、74.80、82.80%の精度で、同じデータセット、同じDLアーキテクチャ、検証ステップを使用して以前の2Dプロットベースの手法を上回りました。

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)
Exploring Wavelet Transformations for Deep Learning-based Machine Condition Diagnosis [0.0]
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。
論文参考訳（メタデータ） (2024-08-19T02:06:33Z)
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)
Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文参考訳（メタデータ） (2023-11-06T15:32:50Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
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)
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)
HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文参考訳（メタデータ） (2022-11-07T04:33:24Z)
Low Latency Real-Time Seizure Detection Using Transfer Deep Learning [0.0]
スカルプ脳波(EEG)信号は本質的に低信号-雑音比を有する。ディープラーニングを用いた発作検出における最も一般的なアプローチは、この情報を共同でモデル化したり、信号に複数のパスを必要とすることはない。本稿では,マルチチャネル信号をグレースケール画像に変換すると同時に,転送学習を用いて高い性能を実現する。
論文参考訳（メタデータ） (2022-02-16T00:03:00Z)
TransMOT: Spatial-Temporal Graph Transformer for Multiple Object Tracking [74.82415271960315]
映像内の物体間の空間的・時間的相互作用を効率的にモデル化するソリューションであるTransMOTを提案する。 TransMOTは従来のTransformerよりも計算効率が高いだけでなく、トラッキング精度も向上している。提案手法は、MOT15、MOT16、MOT17、MOT20を含む複数のベンチマークデータセット上で評価される。
論文参考訳（メタデータ） (2021-04-01T01:49:05Z)
Depthwise Spatio-Temporal STFT Convolutional Neural Networks for Human Action Recognition [42.400429835080416]
従来の3D畳み込みニューラルネットワーク(CNN)は計算コストが高く、メモリ集約性があり、過度に適合する傾向がある。本稿では,3次元CNNにおける3次元畳み込み層の代替として機能する新しい畳み込みブロックのクラスを提案する。 Some-something v1, v2, Jester, Diving Kinetics-400, UCF 101, HMDB 51を含む7つの行動認識データセットについて,STFTブロックをベースとした3D CNNが,現状と比較して同等以上の性能で達成可能であることを示す。
論文参考訳（メタデータ） (2020-07-22T12:26:04Z)

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。