論文の概要: Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks

• arxiv url: http://arxiv.org/abs/2412.01322v2
• Date: Wed, 04 Dec 2024 11:53:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 11:47:16.405622
• Title: Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks
• Title（参考訳）: Kolmogorov-Arnoldネットワークを用いた転がり要素軸受の説明可能な欠陥と重症度分類
• Authors: Spyros Rigas, Michalis Papachristou, Ioannis Sotiropoulos, Georgios Alexandridis,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.46753539114796
• License:
• Abstract: Rolling element bearings are critical components of rotating machinery, with their performance directly influencing the efficiency and reliability of industrial systems. At the same time, bearing faults are a leading cause of machinery failures, often resulting in costly downtime, reduced productivity, and, in extreme cases, catastrophic damage. This study presents a methodology that utilizes Kolmogorov-Arnold Networks to address these challenges through automatic feature selection, hyperparameter tuning and interpretable fault analysis within a unified framework. By training shallow network architectures and minimizing the number of selected features, the framework produces lightweight models that deliver explainable results through feature attribution and symbolic representations of their activation functions. Validated on two widely recognized datasets for bearing fault diagnosis, the framework achieved perfect F1-Scores for fault detection and high performance in fault and severity classification tasks, including 100% F1-Scores in most cases. Notably, it demonstrated adaptability by handling diverse fault types, such as imbalance and misalignment, within the same dataset. The symbolic representations enhanced model interpretability, while feature attribution offered insights into the optimal feature types or signals for each studied task. These results highlight the framework's potential for practical applications, such as real-time machinery monitoring, and for scientific research requiring efficient and explainable models.
• Abstract（参考訳）: 転がり要素軸受は回転機械の重要な要素であり、その性能は産業システムの効率と信頼性に直接影響を及ぼす。 同時に、ベアリング障害は機械故障の主要な原因であり、しばしばコストダウン、生産性の低下、そして極端な場合、破滅的な被害をもたらす。 本研究では、Kolmogorov-Arnold Networksを用いて、自動特徴選択、ハイパーパラメータチューニング、統合されたフレームワーク内での解釈可能な故障解析を通じて、これらの課題に対処する手法を提案する。 浅いネットワークアーキテクチャをトレーニングし、選択した機能の数を最小化することにより、フレームワークは、機能属性とアクティベーション関数のシンボル表現を通じて説明可能な結果を提供する軽量モデルを生成する。 断層診断を行うために広く認識されている2つのデータセットで検証されたこのフレームワークは、故障検出のための完全なF1スコアを達成し、ほとんどの場合、100%F1スコアを含む、断層および重度分類タスクにおける高い性能を達成した。 特に、同じデータセット内で、不均衡や不整合といったさまざまな障害タイプを扱うことで、適応性を示した。 記号表現はモデルの解釈可能性を高め、特徴属性は各研究課題に最適な特徴タイプや信号について洞察を与える。 これらの結果は、リアルタイム機械監視や、効率的で説明可能なモデルを必要とする科学的研究など、実践的な応用のためのフレームワークの可能性を強調している。

関連論文リスト

• 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)
• A Closer Look at Bearing Fault Classification Approaches [1.9531938396288886]
  近年,転がり軸受の異常診断が注目されている。 近年の技術進歩により、これらの資産の健全性を大規模に監視できるようになった。 近年,転がり軸受の異常診断が注目されている。
  論文  参考訳（メタデータ） (2023-09-29T06:11:11Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• 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)
• Synthesizing Rolling Bearing Fault Samples in New Conditions: A framework based on a modified CGAN [1.0569625612398386]
  多くの産業において, 故障診断と条件モニタリングは, 運用コストの削減とダウンタイムの削減に不可欠である。 本稿では, 条件付き生成逆数ネットワーク(CGAN)に基づく新しいアルゴリズムを, 実際の故障条件の正常データと故障データに基づいて訓練する。 提案手法は実世界のベアリングデータセット上で検証され, 異なる条件下で故障データを生成する。
  論文  参考訳（メタデータ） (2022-06-24T04:47:08Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
  モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。 ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
  論文  参考訳（メタデータ） (2020-07-25T04:03:18Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。