論文の概要: Multimodal Bearing Fault Classification Under Variable Conditions: A 1D CNN with Transfer Learning

• arxiv url: http://arxiv.org/abs/2502.17524v1
• Date: Sun, 23 Feb 2025 19:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:19:04.466456
• Title: Multimodal Bearing Fault Classification Under Variable Conditions: A 1D CNN with Transfer Learning
• Title（参考訳）: 可変条件下でのマルチモーダル軸受断層分類:伝達学習による1次元CNN
• Authors: Tasfiq E. Alam, Md Manjurul Ahsan, Shivakumar Raman,
• Abstract要約: 軸受の故障は、最大90%の機械的欠陥を構成する。 本研究では,マルチモーダル軸受断層分類手法を提案する。 1次元畳み込みニューラルネットワーク(1D CNN)フレームワーク内の振動と運動相電流信号に依存する。
• 参考スコア（独自算出の注目度）: 0.46085106405479537
• License:
• Abstract: Bearings play an integral role in ensuring the reliability and efficiency of rotating machinery - reducing friction and handling critical loads. Bearing failures that constitute up to 90% of mechanical faults highlight the imperative need for reliable condition monitoring and fault detection. This study proposes a multimodal bearing fault classification approach that relies on vibration and motor phase current signals within a one-dimensional convolutional neural network (1D CNN) framework. The method fuses features from multiple signals to enhance the accuracy of fault detection. Under the baseline condition (1,500 rpm, 0.7 Nm load torque, and 1,000 N radial force), the model reaches an accuracy of 96% with addition of L2 regularization. This represents a notable improvement of 2% compared to the non-regularized model. In addition, the model demonstrates robust performance across three distinct operating conditions by employing transfer learning (TL) strategies. Among the tested TL variants, the approach that preserves parameters up to the first max-pool layer and then adjusts subsequent layers achieves the highest performance. While this approach attains excellent accuracy across varied conditions, it requires more computational time due to its greater number of trainable parameters. To address resource constraints, less computationally intensive models offer feasible trade-offs, albeit at a slight accuracy cost. Overall, this multimodal 1D CNN framework with late fusion and TL strategies lays a foundation for more accurate, adaptable, and efficient bearing fault classification in industrial environments with variable operating conditions.
• Abstract（参考訳）: 軸受は回転機械の信頼性と効率を確保する上で重要な役割を担っている。 最大90%の機械的故障を構成するベアリング障害は、信頼性の高い状態監視と故障検出の必要性を浮き彫りにする。 本研究では,1次元畳み込みニューラルネットワーク(1D CNN)フレームワーク内の振動およびモータ位相電流信号に依存するマルチモーダル軸受断層分類手法を提案する。 この方法は、複数の信号から特徴を融合させ、故障検出の精度を高める。 ベースライン条件(1500 rpm、0.7 Nmロードトルク、1000 Nラジアル力)では、L2正規化を加えて精度は96%に達する。 これは非正規化モデルに比べて2%の顕著な改善を示している。 さらに、このモデルでは、転送学習(TL)戦略を用いることで、3つの異なる動作条件に対して堅牢な性能を示す。 テストされたTL変種のうち、パラメータを第1の最大プール層まで保持し、その後に調整するアプローチは、最高性能を達成する。 このアプローチは様々な条件で優れた精度を実現するが、トレーニング可能なパラメータの数が多いため、より多くの計算時間を必要とする。 リソース制約に対処するため、計算集約度の低いモデルでは、若干の精度で、実現可能なトレードオフを提供する。 全体として、この後期核融合戦略とTL戦略を持つマルチモーダル1D CNNフレームワークは、様々な運転条件を持つ産業環境において、より正確で適応可能で効率的な断層分類の基盤となる。

関連論文リスト

• Improved YOLOv7 model for insulator defect detection [24.775038970508078]
  本稿では,多型絶縁体欠陥検出のための改良型YOLOv7モデルを提案する。 提案したモデルでは,さまざまなパフォーマンス指標が拡張されている。
  論文  参考訳（メタデータ） (2025-02-11T02:09:30Z)
• An Improved Fault Diagnosis Strategy for Induction Motors Using Weighted Probability Ensemble Deep Learning [1.438310481395707]
  誘導電動機の故障早期検出は, 産業環境での未中断運転の確保に不可欠である。 WPEDL法は振動と電流の特徴から抽出した高次元データを用いて誘導電動機故障を効果的に診断する。 提案モデルは他のモデルよりも優れ,98.89%の精度を実現している。
  論文  参考訳（メタデータ） (2024-12-24T08:02:44Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning [0.0]
  本稿では,これらの課題を解決するための軽量軸受故障診断モデルDKDL-Netを提案する。 このモデルは、知識蒸留と低階適応微調整を分離することにより、CWRUデータセットに基づいて訓練される。 実験により、DKDL-Netは、モデル性能を維持しながら、テストセットにおける計算複雑性の99.48%の精度を達成することが示された。
  論文  参考訳（メタデータ） (2024-06-10T09:09:08Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
  本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。 実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-12T18:36:02Z)
• 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 Fast and Efficient Conditional Learning for Tunable Trade-Off between Accuracy and Robustness [11.35810118757863]
  クリーンかつ逆摂動画像上でのSOTA(State-of-the-art)性能を実現する既存のモデルは、FiLM(Feature-wise linear modulation)層を条件とした畳み込み操作に依存している。 既存のFiLMベースの条件付けの代わりに、付加層を必要としない独特な重み付き学習を行うFLOATアルゴリズムを提案する。 特に、重みテンソルにスケールドノイズを加え、クリーンな性能と対向的な性能のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2022-03-28T19:25:36Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Fine-Tuning can Distort Pretrained Features and Underperform Out-of-Distribution [100.01469697743322]
  微調整は、事前訓練された特徴が良好で分布シフトが大きい場合、線形探索よりも精度が良くなる。 我々は,このIDとOODの精度のトレードオフが,簡単な設定でも生じることを理論的に示す。 解析の結果,線形探究の容易な2段階戦略は,線形探究と線形探究の両方の利点を併せ持つことが明らかとなった。
  論文  参考訳（メタデータ） (2022-02-21T09:03:34Z)

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。