論文の概要: Deep learning-based fault identification in condition monitoring

• arxiv url: http://arxiv.org/abs/2410.05889v1
• Date: Tue, 8 Oct 2024 10:31:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 12:20:15.142715
• Title: Deep learning-based fault identification in condition monitoring
• Title（参考訳）: 状況モニタリングにおける深層学習に基づく故障識別
• Authors: Hariom Dhungana, Suresh Kumar Mukhiya, Pragya Dhungana, Benjamin Karic,
• Abstract要約: 振動に基づく条件モニタリング技術は、転がり要素軸受の欠陥を特定するために一般的に用いられる。 故障検出手順の精度と速度は, 条件モニタリングにおける重要な性能指標である。 転がり要素軸受におけるリアルタイム故障同定のための畳み込みニューラルネットワーク(CNN)を用いた手法を提案する。
• 参考スコア（独自算出の注目度）: 0.26249027950824505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vibration-based condition monitoring techniques are commonly used to identify faults in rolling element bearings. Accuracy and speed of fault detection procedures are critical performance measures in condition monitoring. Delay is especially important in remote condition monitoring and time-sensitive industrial applications. While most existing methods focus on accuracy, little attention has been given to the inference time in the fault identification process. In this paper, we address this gap by presenting a Convolutional Neural Network (CNN) based approach for real-time fault identification in rolling element bearings. We encode raw vibration signals into two-dimensional images using various encoding methods and use these with a CNN to classify several categories of bearing fault types and sizes. We analyse the interplay between fault identification accuracy and processing time. For training and evaluation we use a bearing failure CWRU dataset.
• Abstract（参考訳）: 振動に基づく条件モニタリング技術は、転がり要素軸受の欠陥を特定するために一般的に用いられる。 故障検出手順の精度と速度は, 条件モニタリングにおける重要な性能指標である。 遅延は特にリモート状態監視と時間に敏感な産業用途において重要である。 既存のほとんどの手法は精度に重点を置いているが、故障同定プロセスにおける推測時間にはほとんど注意が払われていない。 本稿では,転がり要素軸受におけるリアルタイム故障同定のための畳み込みニューラルネットワーク(CNN)に基づくアプローチを提案することにより,このギャップに対処する。 我々は、様々な符号化手法を用いて生の振動信号を二次元画像に符号化し、CNNでこれらを用いて、断層の種類と大きさのいくつかのカテゴリを分類する。 故障識別精度と処理時間との相互作用を分析する。 トレーニングと評価には、ベアリング障害CWRUデータセットを使用します。

関連論文リスト

• Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
  本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。 提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-12T03:31:29Z)
• Statistical Batch-Based Bearing Fault Detection [0.0]
  回転機械の領域では、ベアリングはボール、インナーおよびアウターレース断層を含む異なる機械的断層に対して脆弱である。 古典的な信号分析から深層学習まで、様々な手法が条件に基づくモニタリングに利用できる。
  論文  参考訳（メタデータ） (2024-07-24T12:45:02Z)
• Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
  ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。 本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-15T15:42:12Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• 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)
• PAC-Based Formal Verification for Out-of-Distribution Data Detection [4.406331747636832]
  本研究は、VAEの符号化プロセスを用いて、OOD検出に基づくほぼ正しい(PAC)保証を行う。 ユーザ定義の信頼性で不慣れなインスタンスに検出エラーをバインドするために使用される。
  論文  参考訳（メタデータ） (2023-04-04T07:33:02Z)
• 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)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• A Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals [4.287341231968003]
  本研究では、現状のViT(Vision Transformer)を用いて、ベアリング欠陥を分類する。 このモデル全体の精度は98.8%に達した。
  論文  参考訳（メタデータ） (2022-08-15T08:37:30Z)
• An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
  本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。 フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。 構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。 その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
  論文  参考訳（メタデータ） (2022-01-23T04:01:43Z)

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。