論文の概要: A fast sound power prediction tool for genset noise using machine learning

• arxiv url: http://arxiv.org/abs/2505.20079v1
• Date: Mon, 26 May 2025 14:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.533866
• Title: A fast sound power prediction tool for genset noise using machine learning
• Title（参考訳）: 機械学習を用いたゲンセット雑音の高速音パワー予測ツール
• Authors: Saurabh Pargal, Abhijit A. Sane,
• Abstract要約: 本稿では,音のパワーレベルを予測するために,カーネルリッジ回帰(KRR),フーバー回帰(HR),ガウスプロセス回帰(GPR)について検討する。 エンジンサイズや囲い寸法が一定であり、計測されたノイズデータが利用できない場合、これらのアルゴリズムは、未構築品の信頼性の高いノイズレベル推定を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the application of machine learning regression algorithms Kernel Ridge Regression (KRR), Huber Regressor (HR), and Gaussian Process Regression (GPR) for predicting sound power levels of gensets, offering significant value for marketing and sales teams during the early bidding process. When engine sizes and genset enclosure dimensions are tentative, and measured noise data is unavailable, these algorithms enable reliable noise level estimation for unbuilt gensets. The study utilizes high fidelity datasets from over 100 experiments conducted at Cummins Acoustics Technology Center (ATC) in a hemi-anechoic chamber, adhering to ISO 3744 standards. By using readily available information from the bidding and initial design stages, KRR predicts sound power with an average accuracy of within 5 dBA. While HR and GPR show slightly higher prediction errors, all models effectively capture the overall noise trends across various genset configurations. These findings present a promising method for early-stage noise estimation in genset design.
• Abstract（参考訳）: 本稿では,機械学習回帰アルゴリズムであるKernel Ridge Regression (KRR), Huber Regressor (HR), Gaussian Process Regression (GPR) を用いて,早期入札プロセスにおけるマーケティングおよび営業チームにとって重要な価値を提供する。 エンジンサイズとゲンセット囲い寸法が仮に必要で、計測されたノイズデータが利用できない場合、これらのアルゴリズムは、未構築のゲンセットに対する信頼性の高いノイズレベル推定を可能にする。 この研究は、Cummins Acoustics Technology Center(ATC)で行われたISO 3744標準に準拠した100以上の実験から得られた高忠実度データセットを活用している。 入札と初期設計段階から手軽に入手できる情報を利用することで、KRRは平均精度が5dBA以内の音響パワーを予測する。 HRとGPRは多少高い予測誤差を示すが、全てのモデルは、様々なジェネセット構成にわたる全体的なノイズトレンドを効果的に捉えている。 これらの結果から, ジェネセット設計における早期雑音推定の有望な方法が示唆された。

関連論文リスト

• An AI-Driven Approach to Wind Turbine Bearing Fault Diagnosis from Acoustic Signals [10.64491245858684]
  本研究では, 風力タービン発電機の軸受欠陥を音響信号から分類する深層学習モデルを開発した。 畳み込み型LSTMモデルを構築し, 事前定義された5種類の故障の音声データを用いて, トレーニングと検証を行った。 このモデルでは, トレーニングサンプルの精度が優れ, 検証中に優れた一般化能力を示した。
  論文  参考訳（メタデータ） (2024-03-14T01:46:30Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Robustness Enhancement in Neural Networks with Alpha-Stable Training Noise [0.0]
  本研究では,非ガウス音,特にアルファ安定雑音に対する強い強靭性の可能性について検討する。 ガウス雑音とアルファ安定雑音で訓練したモデルの試験精度を比較することで,ガウス雑音よりもアルファ安定雑音で訓練した方が有効であることがわかった。 トレーニングデータに通常付加されるガウス雑音をアルファ安定雑音で置き換える新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2023-11-17T10:00:47Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• Self-Adapting Noise-Contrastive Estimation for Energy-Based Models [0.0]
  ノイズコントラスト推定(NCE)を用いたトレーニングエネルギーベースモデルは理論的には実現可能であるが、実際は困難である。 従来の研究は、別個の生成モデルとしてノイズ分布をモデル化し、EBMでこのノイズモデルを同時に訓練してきた。 本論文では,EMMの静的なインスタンスを学習軌道に沿って雑音分布として利用する自己適応型NCEアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:17:43Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Bayesian NVH metamodels to assess interior cabin noise using measurement databases [0.0]
  本研究では,空力やローリングノイズなどのブロードバンドノイズに対するグローバルなNVHメタモデリング手法を提案する。 ブートストラップとガウス基底関数を持つ一般化加法モデル(GAM)を用いて、予測変数に対する音圧レベル(SPL)の依存性をモデル化する。 確率モデリングは、オープンソースのライブラリPyMC3を用いて行われる。
  論文  参考訳（メタデータ） (2022-06-12T19:48:24Z)
• A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
  我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。 コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
  論文  参考訳（メタデータ） (2020-05-21T17:47:29Z)

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。