論文の概要: Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics
- arxiv url: http://arxiv.org/abs/2506.08412v1
- Date: Tue, 10 Jun 2025 03:36:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:41.362359
- Title: Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics
- Title（参考訳）: 難聴モータの学習:誘導電動機診断のための信号誘導データ拡張
- Authors: Saraa Ali, Aleksandr Khizhik, Stepan Svirin, Artem Ryzhikov, Denis Derkach,
- Abstract要約: 3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。
本稿では,エンジン物理モデルを考慮した教師なし異常発生手法を提案する。
SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
- 参考スコア（独自算出の注目度）: 40.044978986425676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of machine learning (ML) algorithms in the intelligent diagnosis of three-phase engines has the potential to significantly enhance diagnostic performance and accuracy. Traditional methods largely rely on signature analysis, which, despite being a standard practice, can benefit from the integration of advanced ML techniques. In our study, we innovate by combining ML algorithms with a novel unsupervised anomaly generation methodology that takes into account the engine physics model. We propose Signature-Guided Data Augmentation (SGDA), an unsupervised framework that synthesizes physically plausible faults directly in the frequency domain of healthy current signals. Guided by Motor Current Signature Analysis, SGDA creates diverse and realistic anomalies without resorting to computationally intensive simulations. This hybrid approach leverages the strengths of both supervised ML and unsupervised signature analysis, achieving superior diagnostic accuracy and reliability along with wide industrial application. The findings highlight the potential of our approach to contribute significantly to the field of engine diagnostics, offering a robust and efficient solution for real-world applications.
- Abstract（参考訳）: 3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。
従来の手法は主にシグネチャ解析に依存しており、標準的なプラクティスであるにもかかわらず、高度なML技術の統合の恩恵を受けることができる。
本研究では,MLアルゴリズムと,エンジン物理モデルを考慮した新しい教師なし異常発生手法を組み合わせることにより,新しい手法を提案する。
SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
モータ電流シグナチャ解析(Motor Current Signature Analysis)によって導かれるSGDAは、計算集約的なシミュレーションに頼ることなく、多様で現実的な異常を生成する。
このハイブリッドアプローチは、教師付きMLと教師なし署名解析の両方の長所を活用し、幅広い産業応用とともに、より優れた診断精度と信頼性を実現する。
この結果は,エンジン診断分野に大きく貢献するアプローチの可能性を強調し,実世界のアプリケーションに対して堅牢で効率的なソリューションを提供する。
関連論文リスト
- Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
機械学習(ML)モデルの損失景観を実証分析する手法を提案する。
本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
論文 参考訳（メタデータ） (2025-02-12T12:30:49Z) - EEG Artifact Detection and Correction with Deep Autoencoders [0.0]
LSTEEGは、脳波信号のアーチファクトの検出と修正のためのLSTMベースの新しいオートエンコーダである。
提案手法は,自己エンコーダの潜在空間の解釈可能性と有用性を高める。
本研究は, 効率的かつ高精度なマルチチャネル脳波前処理の分野を推し進めるものである。
論文 参考訳（メタデータ） (2025-02-12T12:06:36Z) - A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset [1.148237645450678]
誘導電動機(IM)の正確なAIベースの診断システムは、プロアクティブなメンテナンスを強化し、計画外のダウンタイムを軽減し、産業環境における全体的なメンテナンスコストを抑制する可能性を秘めている。
研究者らは、信号処理(SP)、機械学習(ML)、ディープラーニング(DL)、BRB故障のハイブリッドアーキテクチャを用いた様々な故障診断手法を提案している。
本稿では,1,2,3,4のBRB断層を電流信号と振動信号データを用いて診断するために,ShuffleNetV2というトランスファーラーニングに基づく軽量DLモデルを用いて,BRB断層の大規模データを実装する。
論文 参考訳（メタデータ） (2025-01-07T12:40:11Z) - Intelligent Algorithms For Signature Diagnostics Of Three-Phase Motors [0.5249805590164903]
3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。
従来の手法は主にシグネチャ解析に依存しており、標準的なプラクティスであるにもかかわらず、高度なML技術の統合の恩恵を受けることができる。
本研究では,技術アルゴリズムの状態と新しい教師なし異常発生手法を組み合わせることで,新しい手法を提案する。
論文 参考訳（メタデータ） (2024-11-13T13:01:44Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Non-destructive Fault Diagnosis of Electronic Interconnects by Learning Signal Patterns of Reflection Coefficient in the Frequency Domain [1.8843687952462742]
本稿では,早期故障検出と相互接続欠陥の正確な診断のための新しい非破壊的手法を提案する。
提案手法は, 周波数範囲にわたる係数反射の信号パターンを利用して, 根本原因同定と重大度評価の両立を可能にする。
実験結果から,本手法は断層検出および診断に有効であり,実世界の産業応用に拡張できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-04-20T10:51:21Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Fault Diagnosis using eXplainable AI: a Transfer Learning-based Approach
for Rotating Machinery exploiting Augmented Synthetic Data [0.0]
FaultD-XAIは、移動学習に基づいて回転機械の故障を分類するための汎用的で解釈可能なアプローチである。
伝達学習を用いたスケーラビリティを実現するため、動作中の故障特性を模倣した合成振動信号を作成する。
提案手法は,有望な診断性能を得るだけでなく,専門家が条件を特定するために使用する特徴も学習することができた。
論文 参考訳（メタデータ） (2022-10-06T15:02:35Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-17T13:42:37Z)
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。