論文の概要: EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2502.19199v1
• Date: Wed, 26 Feb 2025 15:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:59:39.775563
• Title: EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis
• Title（参考訳）: EGR-Net: インテリジェント障害診断のための新しい埋め込みグラム表現CNN
• Authors: Linshan Jia,
• Abstract要約: 回転機械の知的故障診断には特徴抽出が不可欠である。 複雑な1次元(1D)の振動信号を単純なテクスチャで2次元(2D)のイメージに変換することにより、畳み込みニューラルネットワーク(CNN)による視覚的特徴の認識と学習が容易になる。 本稿では,EGR ( Embedding Gramian Representation, Embedding Gramian Representation) と呼ばれる新しい1D-to-2D変換法を提案する。
• 参考スコア（独自算出の注目度）: 0.7252027234425334
• License:
• Abstract: Feature extraction is crucial in intelligent fault diagnosis of rotating machinery. It is easier for convolutional neural networks(CNNs) to visually recognize and learn fault features by converting the complicated one-dimensional (1D) vibrational signals into two-dimensional (2D) images with simple textures. However, the existing representation methods for encoding 1D signals as images have two main problems, including complicated computation and low separability. Meanwhile, the existing 2D-CNN fault diagnosis methods taking 2D images as the only inputs still suffer from the inevitable information loss because of the conversion process. Considering the above issues, this paper proposes a new 1D-to-2D conversion method called Embedding Gramian Representation (EGR), which is easy to calculate and shows good separability. In EGR, 1D signals are projected in the embedding space and the intrinsic periodicity of vibrational signals is captured enabling the faulty characteristics contained in raw signals to be uncovered. Second, aiming at the information loss problem of existing CNN models with the single input of converted images, a double-branch EGR-based CNN, called EGR-Net, is proposed to learn faulty features from both raw signal feature maps and their corresponding EGRs. The bridge connection is designed to improve the feature learning interaction between the two branches. Widely used open domain gearbox dataset and bearing dataset are used to verify the effectiveness and efficiency of the proposed methods. EGR-Net is compared with traditional and state-of-the-art approaches, and the results show that the proposed method can deliver enhanced performance.
• Abstract（参考訳）: 回転機械の知的故障診断には特徴抽出が不可欠である。 複雑な1次元(1D)の振動信号を単純なテクスチャで2次元(2D)のイメージに変換することにより、畳み込みニューラルネットワーク(CNN)による視覚的特徴の認識と学習が容易になる。 しかし、画像として1D信号を符号化する既存の表現法には、複雑な計算と分離性の低い2つの主な問題がある。 一方、既存の2D-CNN断層診断法では、2D画像のみを入力として用いており、変換処理のため、避けられない情報損失に悩まされている。 以上の問題を考慮し,EGR ( Embedding Gramian Representation, Embedding Gramian Representation) と呼ばれる新しい1D-to-2D変換法を提案する。 EGRでは、埋め込み空間に1D信号を投影し、原信号に含まれる欠陥特性を発見できるように振動信号の内在周期性を捕捉する。 第二に、変換画像の単一入力による既存のCNNモデルの情報損失問題に対して、EGR-Netと呼ばれる二重分岐EGRベースのCNNを提案し、生信号特徴マップと対応するEGRから欠陥特徴を学習する。 ブリッジ接続は、2つのブランチ間の機能学習インタラクションを改善するように設計されている。 提案手法の有効性と有効性を検証するために,広く利用されているオープンドメインギアボックスデータセットとベアリングデータセットを用いている。 EGR-Netは従来の手法と最先端の手法を比較し,提案手法が性能を向上させることを示す。

関連論文リスト

• Integrating Graph Neural Networks with Scattering Transform for Anomaly Detection [0.0]
  グラフニューラルネットワーク(GNN)を用いたネットワーク侵入検知システム(NIDS)における2つの新しい手法を提案する。 最初のアプローチであるScattering Transform with E-GraphSAGE (STEG)は、散乱変換を用いてエッジ特徴ベクトルの多重分解能解析を行う。 第2のアプローチでは、ノード表現をNode2Vecで開始することで改善し、統一値を使用する標準的な方法から逸脱する。
  論文  参考訳（メタデータ） (2024-04-16T00:02:12Z)
• Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
  本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。 本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。 提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
  論文  参考訳（メタデータ） (2023-12-27T17:36:32Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• AliasNet: Alias Artefact Suppression Network for Accelerated Phase-Encode MRI [4.752084030395196]
  スパース再構成はMRIの重要な側面であり、取得時間を短縮し、空間時間分解能を改善するのに役立つ。 1D AliasNetモジュールと既存の2Dディープラーニング(DL)リカバリ技術を組み合わせることで、画像の品質が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-17T13:16:17Z)
• Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
  グラフニューラルネットワークを用いた新しい故障検出手法を提案する。 AIと現実世界のメカニカルシステムの間に橋を架けている。 提案手法は, 通常の対象領域に混在する異常物体を検出する。
  論文  参考訳（メタデータ） (2022-04-24T08:54:55Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• A Dual Neighborhood Hypergraph Neural Network for Change Detection in VHR Remote Sensing Images [12.222830717774118]
  本稿では,双対近傍ハイパーグラフニューラルネットワークを提案する。 提案手法は,多くの最先端手法と比較して有効性とロバスト性が高い。
  論文  参考訳（メタデータ） (2022-02-27T02:39:08Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)
• Y-GAN: Learning Dual Data Representations for Efficient Anomaly Detection [0.0]
  本稿では,Y-GANと呼ばれる新しい再構成モデルを提案する。 モデルはY字型のオートエンコーダで構成され、2つの別々の潜在空間の画像を表現している。
  論文  参考訳（メタデータ） (2021-09-28T20:17:04Z)

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。