論文の概要: Residual Attention Single-Head Vision Transformer Network for Rolling Bearing Fault Diagnosis in Noisy Environments
- arxiv url: http://arxiv.org/abs/2412.00085v1
- Date: Wed, 27 Nov 2024 02:46:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:42:57.402233
- Title: Residual Attention Single-Head Vision Transformer Network for Rolling Bearing Fault Diagnosis in Noisy Environments
- Title(参考訳): 騒音環境下での転がり軸受故障診断のための残留注意シングルヘッドビジョン変圧器ネットワーク
- Authors: Songjiang Lai, Tsun-Hin Cheung, Jiayi Zhao, Kaiwen Xue, Ka-Chun Fung, Kin-Man Lam,
- Abstract要約: 転がり軸受は、機器の性能、耐久性、安全性に直接影響を与える産業機械において重要な役割を担っている。
本稿では, 転がり軸受の故障診断のために, RA-SHViT-Net(Residual Attention Single-Head Vision Transformer Network)を提案する。
- 参考スコア(独自算出の注目度): 8.228544145500654
- License:
- Abstract: Rolling bearings play a crucial role in industrial machinery, directly influencing equipment performance, durability, and safety. However, harsh operating conditions, such as high speeds and temperatures, often lead to bearing malfunctions, resulting in downtime, economic losses, and safety hazards. This paper proposes the Residual Attention Single-Head Vision Transformer Network (RA-SHViT-Net) for fault diagnosis in rolling bearings. Vibration signals are transformed from the time to frequency domain using the Fast Fourier Transform (FFT) before being processed by RA-SHViT-Net. The model employs the Single-Head Vision Transformer (SHViT) to capture local and global features, balancing computational efficiency and predictive accuracy. To enhance feature extraction, the Adaptive Hybrid Attention Block (AHAB) integrates channel and spatial attention mechanisms. The network architecture includes Depthwise Convolution, Single-Head Self-Attention, Residual Feed-Forward Networks (Res-FFN), and AHAB modules, ensuring robust feature representation and mitigating gradient vanishing issues. Evaluation on the Case Western Reserve University and Paderborn University datasets demonstrates the RA-SHViT-Net's superior accuracy and robustness in complex, noisy environments. Ablation studies further validate the contributions of individual components, establishing RA-SHViT-Net as an effective tool for early fault detection and classification, promoting efficient maintenance strategies in industrial settings. Keywords: rolling bearings, fault diagnosis, Vision Transformer, attention mechanism, noisy environments, Fast Fourier Transform (FFT)
- Abstract(参考訳): 転がり軸受は、機器の性能、耐久性、安全性に直接影響を与える産業機械において重要な役割を担っている。
しかし、高速や温度などの厳しい運転条件は、しばしば故障を負い、ダウンタイム、経済的な損失、安全上の危険をもたらす。
本稿では,転がり軸受の故障診断のための残留注意シングルヘッドビジョントランスネットワーク(RA-SHViT-Net)を提案する。
RA-SHViT-Netで処理する前に、Fast Fourier Transform(FFT)を用いて振動信号を時間から周波数領域に変換する。
このモデルは、局所的およびグローバルな特徴を捉え、計算効率と予測精度のバランスをとるために、SHViT(Single-Head Vision Transformer)を使用している。
特徴抽出を強化するため、Adaptive Hybrid Attention Block (AHAB)はチャネルと空間的注意機構を統合している。
ネットワークアーキテクチャには、Depthwise Convolution、Single-Head Self-Attention、Residual Feed-Forward Networks (Res-FFN)、AHABモジュールが含まれる。
ケース・ウェスタン・リザーブ大学とパダーボーン大学のデータセットによる評価は、RA-SHViT-Netの複雑な雑音環境における精度と堅牢性を示している。
早期故障検出・分類の有効なツールとしてRA-SHViT-Netが確立され,産業環境における効率的なメンテナンス戦略が促進された。
キーワード:転がり軸受、故障診断、視覚変換器、注意機構、ノイズ環境、高速フーリエ変換(FFT)
関連論文リスト
- Transformer-Based Bearing Fault Detection using Temporal Decomposition Attention Mechanism [0.40964539027092917]
ベアリング故障検出は予測保守において重要な課題であり、正確かつタイムリーな故障識別はコストダウンや機器の損傷を防ぐことができる。
トランスフォーマーニューラルネットワークの従来の注意機構は、振動データを保持する複雑な時間パターンを捉えるのに苦労することが多く、最適以下の性能をもたらす。
本稿では,時系列データの長期依存性と周期的変動の両方を捉えるために,時間偏差符号化と季節差分解を組み合わせた新しい注意機構である時間分解注意機構(TDA)を提案する。
論文 参考訳(メタデータ) (2024-12-15T16:51:31Z) - Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks [4.46753539114796]
ベアリング故障は機械の故障の主な原因である。
本研究では,これらの課題に対処するためにKolmogorov-Arnold Networksを用いた。
説明可能な結果を提供する軽量モデルを生成する。
論文 参考訳(メタデータ) (2024-12-02T09:40:03Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳(メタデータ) (2024-09-23T15:20:33Z) - RIMformer: An End-to-End Transformer for FMCW Radar Interference Mitigation [1.8063750621475454]
RIMformerと呼ばれる新しいFMCWレーダ干渉緩和法は、エンドツーエンドのTransformerベース構造を用いて提案される。
このアーキテクチャは、時間領域IF信号をエンドツーエンドで処理するように設計されている。
その結果,提案したRIMformerは干渉を効果的に軽減し,ターゲット信号の復元を可能にすることがわかった。
論文 参考訳(メタデータ) (2024-07-16T07:51:20Z) - OFDM-Standard Compatible SC-NOFS Waveforms for Low-Latency and Jitter-Tolerance Industrial IoT Communications [53.398544571833135]
この研究は、スペクトル的に効率的な不規則なSinc (irSinc) 整形法を提案し、1924年に従来のSincを再考した。
irSincは、誤差性能を犠牲にすることなくスペクトル効率が向上した信号を生成する。
我々の信号は、5G標準信号構成により、同じスペクトル帯域内で高速なデータ伝送を実現する。
論文 参考訳(メタデータ) (2024-06-07T09:20:30Z) - Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。
効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。
本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文 参考訳(メタデータ) (2024-04-24T13:50:27Z) - 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) - 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) - The Nuts and Bolts of Adopting Transformer in GANs [124.30856952272913]
高忠実度画像合成のためのGAN(Generative Adversarial Network)フレームワークにおけるTransformerの特性について検討する。
我々の研究は、STrans-Gと呼ばれる畳み込みニューラルネットワーク(CNN)フリージェネレータであるGANにおけるトランスフォーマーの新しい代替設計につながる。
論文 参考訳(メタデータ) (2021-10-25T17:01:29Z) - Fourier Space Losses for Efficient Perceptual Image Super-Resolution [131.50099891772598]
提案した損失関数の適用のみで,最近導入された効率的なジェネレータアーキテクチャの性能向上が可能であることを示す。
フーリエ空間における周波数に対する損失の直接的強調は知覚的画質を著しく向上させることを示す。
訓練されたジェネレータは、最先端の知覚的SR法である RankSRGAN と SRFlow よりも2.4倍、48倍高速である。
論文 参考訳(メタデータ) (2021-06-01T20:34:52Z) - DA-DETR: Domain Adaptive Detection Transformer with Information Fusion [53.25930448542148]
DA-DETRは、ラベル付きソースドメインからラベルなしターゲットドメインへの効果的な転送のための情報融合を導入するドメイン適応型オブジェクト検出変換器である。
本稿では,CNN機能とトランスフォーマー機能を融合した新しいCNN-Transformer Blender(CTBlender)を提案する。
CTBlenderはTransformer機能を使用して、高レベルの意味情報と低レベルの空間情報が融合した複数のスケールでCNN機能を変調し、正確な物体識別と位置決めを行う。
論文 参考訳(メタデータ) (2021-03-31T13:55:56Z)
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。