論文の概要: Intelligent Fault Diagnosis of Type and Severity in Low-Frequency, Low Bit-Depth Signals

• arxiv url: http://arxiv.org/abs/2411.06299v1
• Date: Sat, 09 Nov 2024 22:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:07:05.973017
• Title: Intelligent Fault Diagnosis of Type and Severity in Low-Frequency, Low Bit-Depth Signals
• Title（参考訳）: 低周波・低ビット深度信号における型と重大性の知能的故障診断
• Authors: Tito Spadini, Kenji Nose-Filho, Ricardo Suyama,
• Abstract要約: この研究は、高パフォーマンスと低リソース消費のバランスをとることを目的として、不均衡なMaFaulDaデータセットの音声データを活用する。 精度は99.54%、F-Betaスコアは99.52%で、わずか6本の隆起木が8kHz、8ビット構成であった。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License:
• Abstract: This study focuses on Intelligent Fault Diagnosis (IFD) in rotating machinery utilizing a single microphone and a data-driven methodology, effectively diagnosing 42 classes of fault types and severities. The research leverages sound data from the imbalanced MaFaulDa dataset, aiming to strike a balance between high performance and low resource consumption. The testing phase encompassed a variety of configurations, including sampling, quantization, signal normalization, silence removal, Wiener filtering, data scaling, windowing, augmentation, and classifier tuning using XGBoost. Through the analysis of time, frequency, mel-frequency, and statistical features, we achieved an impressive accuracy of 99.54% and an F-Beta score of 99.52% with just 6 boosting trees at an 8 kHz, 8-bit configuration. Moreover, when utilizing only MFCCs along with their first- and second-order deltas, we recorded an accuracy of 97.83% and an F-Beta score of 97.67%. Lastly, by implementing a greedy wrapper approach, we obtained a remarkable accuracy of 96.82% and an F-Beta score of 98.86% using 50 selected features, nearly all of which were first- and second-order deltas of the MFCCs.
• Abstract（参考訳）: 本研究は, 単一マイクロホンとデータ駆動方式を用いた回転機械の知的故障診断(IFD)に着目し, 42種類の故障タイプと重症度を効果的に診断する。 この研究は、高パフォーマンスと低リソース消費のバランスをとることを目的として、不均衡なMaFaulDaデータセットの音声データを活用する。 テストフェーズには、サンプリング、量子化、信号正規化、サイレント除去、Wienerフィルタリング、データスケーリング、ウィンドウニング、拡張、XGBoostを使った分類器チューニングなど、さまざまな構成が含まれていた。 時間, 周波数, メル周波数, 統計特性を解析した結果, 99.54%の精度でF-Betaスコアが99.52%, 8kHzの8ビット構成でわずか6本であった。 さらに、1階と2階のデルタと共にMFCCのみを利用する場合、精度は97.83%、F-Betaスコアは97.67%であった。 最後に、グリーディラッパーアプローチを実装することで、96.82%の顕著な精度とF-Betaスコア98.86%の50個の選択された特徴が得られ、そのほぼ全てがMFCCの1階と2階のデルタであった。

関連論文リスト

• Optimising MFCC parameters for the automatic detection of respiratory diseases [0.0]
  MFCC(Mel Frequency Cepstral Coefficients)は自動解析に広く用いられている。 MFCC抽出パラメータが呼吸器疾患の診断に与える影響について総合的な研究は行われていない。 本研究では,鍵パラメータ,すなわち,フレーム間の係数数,フレーム長,ホップ長が呼吸条件に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-08-14T12:56:17Z)
• Entropy-based machine learning model for diagnosis and monitoring of Parkinson's Disease in smart IoT environment [0.0]
  Fuzzy Entropy は rs-EEG を用いたPD の診断とモニタリングにおいて最善を尽くした。 機能が少ないため,最大分類精度(ARKF)は99.9%であった。 低いパフォーマンスのスマートMLセンサはIoT環境で使用することができ、PDに対する人間のレジリエンスを高めることができる。
  論文  参考訳（メタデータ） (2023-08-28T08:20:57Z)
• Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals [0.06597195879147556]
  本研究では,光胸腺X線写真(PPG)信号間のラベル伝搬技術の適用について検討した。 1571例のPSG記録を含むデータセットについて検討し, サンプルの約82%がクリーンであり, 残りの18%がアーティファクトによって汚染された。 その結果,LPアルゴリズムは精度91%,リコール90%,F1スコア90%を達成できた。
  論文  参考訳（メタデータ） (2023-08-16T16:38:03Z)
• Machine Learning-Based Detection of Parkinson's Disease From Resting-State EEG: A Multi-Center Study [0.125828876338076]
  安静時脳波(rs-EEG)はパーキンソン病(PD)の診断に有効である。 本研究では,異なるセンターで得られた4つのデータセットから,84 PDのRS-EEG記録と85 PDの非PD被験者をプールした。 本稿では,プリプロセッシング,臨床的に検証された周波数帯域からのPSD特徴抽出,特徴選択によるエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-02T16:19:24Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• Exploring traditional machine learning for identification of pathological auscultations [0.39577682622066246]
  各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。 目的は,正常な肺と異常な肺の音を区別することであった。 監視されていないモデルよりも一貫した優位性を示した。
  論文  参考訳（メタデータ） (2022-09-01T18:03:21Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。