論文の概要: Advancing machine fault diagnosis: A detailed examination of convolutional neural networks
- arxiv url: http://arxiv.org/abs/2502.08689v1
- Date: Wed, 12 Feb 2025 12:41:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:49:52.290724
- Title: Advancing machine fault diagnosis: A detailed examination of convolutional neural networks
- Title(参考訳): 機械断層診断の進歩 : 畳み込みニューラルネットワークの詳細な検討
- Authors: Govind Vashishtha, Sumika Chauhan, Mert Sehri, Justyna Hebda-Sobkowicz, Radoslaw Zimroz, Patrick Dumond, Rajesh Kumar,
- Abstract要約: CNNは強力なツールとして登場し、堅牢で正確な障害検出と分類機能を提供する。
このレビューでは、機械故障診断におけるCNNの適用について論じ、その理論的基礎、アーキテクチャのバリエーション、実践的実装について述べる。
- 参考スコア(独自算出の注目度): 4.032805314796963
- License:
- Abstract: The growing complexity of machinery and the increasing demand for operational efficiency and safety have driven the development of advanced fault diagnosis techniques. Among these, convolutional neural networks (CNNs) have emerged as a powerful tool, offering robust and accurate fault detection and classification capabilities. This comprehensive review delves into the application of CNNs in machine fault diagnosis, covering its theoretical foundation, architectural variations, and practical implementations. The strengths and limitations of CNNs are analyzed in this domain, discussing their effectiveness in handling various fault types, data complexities, and operational environments. Furthermore, we explore the evolving landscape of CNN-based fault diagnosis, examining recent advancements in data augmentation, transfer learning, and hybrid architectures. Finally, we highlight future research directions and potential challenges to further enhance the application of CNNs for reliable and proactive machine fault diagnosis.
- Abstract(参考訳): 機械の複雑さの増大と、運転効率と安全性の需要の増大により、高度な故障診断技術の開発が進められた。
これらのうち、畳み込みニューラルネットワーク(CNN)は強力なツールとして登場し、堅牢で正確な故障検出と分類機能を提供する。
この包括的なレビューでは、CNNを機械故障診断に適用し、その理論的基礎、アーキテクチャのバリエーション、実践的な実装について論じている。
CNNの長所と短所をこの領域で分析し、さまざまな障害タイプ、データ複雑さ、運用環境を扱う上での有効性について議論する。
さらに、CNNに基づく障害診断の進化の展望を探求し、データ拡張、転送学習、ハイブリッドアーキテクチャの最近の進歩について検討する。
最後に,CNNの信頼性と積極的な機械故障診断への応用をさらに促進するための今後の研究の方向性と今後の課題について述べる。
関連論文リスト
- Advanced technology in railway track monitoring using the GPR Technique: A Review [41.94295877935867]
グラウンド・ペネトレーション・レーダー (GPR) は、鉄道線路の監視に使用できる電磁探査技術である。
バラストポケット、ファウルドバラスト、排水不良、下級集落などの欠陥を検出することができる。
本稿では,実世界のGPRデータのキャリブレーションに合成モデリングを用いる手法について述べる。
ディープラーニング技術、特にCNN(Convolutional Neural Networks)やRNN(Recurrent Neural Networks)も、GPRイメージの欠陥に関連するパターンを認識する上での有効性を強調している。
論文 参考訳(メタデータ) (2025-01-19T18:01:39Z) - L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。
人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。
我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
論文 参考訳(メタデータ) (2024-06-07T12:01:37Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - Enhancing Radiology Diagnosis through Convolutional Neural Networks for
Computer Vision in Healthcare [0.0]
放射線診断におけるCNNは、解釈可能性、有効性、倫理的問題に焦点をあてて検討される。
CNNは、特殊性、感度、正確性という点で優れた性能を発揮する。
論文 参考訳(メタデータ) (2023-11-19T05:35:32Z) - Brain-Inspired Spiking Neural Networks for Industrial Fault Diagnosis: A Survey, Challenges, and Opportunities [10.371337760495521]
Spiking Neural Network (SNN)は、Brainにインスパイアされたコンピューティングの原理に基づいている。
本稿では,SNNモデルの理論的進歩を体系的にレビューし,SNNとは何かという疑問に答える。
論文 参考訳(メタデータ) (2023-11-13T11:25:34Z) - A Survey on Knowledge Editing of Neural Networks [43.813073385305806]
最大の人工ニューラルネットワークでさえ間違いを犯し、世界が時間とともに進むにつれて、一度修正された予測が無効になる可能性がある。
知識編集は、訓練済みのターゲットモデルに対する信頼性、データ効率、迅速な変更の実現を目的とした、新しい研究分野として浮上している。
まず、ニューラルネットワークの編集の問題を紹介し、それを共通のフレームワークで形式化し、継続的学習のような悪名高い研究分野と区別する。
論文 参考訳(メタデータ) (2023-10-30T16:29:47Z) - MRFI: An Open Source Multi-Resolution Fault Injection Framework for
Neural Network Processing [8.871260896931211]
MRFIはディープニューラルネットワークのための高解像度フォールトインジェクションツールである。
異なる視点から広範な障害解析機能を統合する。
PyTorchの主要なニューラルネットワークコンピューティングフレームワークを変更していない。
論文 参考訳(メタデータ) (2023-06-20T06:46:54Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - Neuromorphic AI Empowered Root Cause Analysis of Faults in Emerging
Networks [3.710841042000923]
我々は、完全に自動化された自己修復システムに向けた重要なステップを提供する、AIベースの障害診断ソリューションを提案する。
提案手法の性能を,文学における最先端解と比較する。
その結果,ニューロモルフィック・コンピューティング・モデルは,他のモデルと比較して高い分類精度が得られた。
論文 参考訳(メタデータ) (2020-05-04T13:26:56Z) - Neural Architecture Search For Fault Diagnosis [6.226564415963648]
ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。
ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。
本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
論文 参考訳(メタデータ) (2020-02-19T04:03:51Z)
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。