論文の概要: YOLO-based Bearing Fault Diagnosis With Continuous Wavelet Transform

• arxiv url: http://arxiv.org/abs/2509.03070v2
• Date: Mon, 08 Sep 2025 14:37:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.704579
• Title: YOLO-based Bearing Fault Diagnosis With Continuous Wavelet Transform
• Title（参考訳）: 連続ウェーブレット変換を用いたYOLOを用いた軸受故障診断
• Authors: Po-Heng Chou, Wei-Lung Mao, Ru-Ping Lin,
• Abstract要約: 一次元の振動信号は、モーレットウェーブレットを用いて時間周波数のスペクトログラムに変換され、過渡的な故障信号を取得する。 これらのスペクトログラムは、YOLOv9、v10、v11モデルによって処理され、障害タイプを分類する。 YOLOv11のmAPスコアは99.4%(CWRU)、97.8%(PU)、99.5%(IMS)である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This letter proposes a YOLO-based framework for spatial bearing fault diagnosis using time-frequency spectrograms derived from continuous wavelet transform (CWT). One-dimensional vibration signals are first transformed into time-frequency spectrograms using Morlet wavelets to capture transient fault signatures. These spectrograms are then processed by YOLOv9, v10, and v11 models to classify fault types. Evaluated on three benchmark datasets, including Case Western Reserve University (CWRU), Paderborn University (PU), and Intelligent Maintenance System (IMS), the proposed CWT-YOLO pipeline achieves significantly higher accuracy and generalizability than the baseline MCNN-LSTM model. Notably, YOLOv11 reaches mAP scores of 99.4% (CWRU), 97.8% (PU), and 99.5% (IMS). In addition, its region-aware detection mechanism enables direct visualization of fault locations in spectrograms, offering a practical solution for condition monitoring in rotating machinery.
• Abstract（参考訳）: 本稿では,連続ウェーブレット変換(CWT)から得られた時間周波数スペクトログラムを用いて,空間軸受異常診断のためのYOLOベースのフレームワークを提案する。 1次元の振動信号は、まずモーレットウェーブレットを用いて時間周波数のスペクトログラムに変換され、過渡的な故障信号を取得する。 これらのスペクトログラムは、YOLOv9、v10、v11モデルによって処理され、障害タイプを分類する。 ケース・ウェスタン・リザーブ大学(CWRU)、パーダーボーン大学(PU)、インテリジェント・メンテナンス・システム(IMS)の3つのベンチマーク・データセットで評価され、提案したCWT-YOLOパイプラインはベースラインMCNN-LSTMモデルよりも精度と一般化性が高い。 特に、YOLOv11のmAPスコアは99.4%(CWRU)、97.8%(PU)、99.5%(IMS)である。 さらに、その領域認識検出機構は、分光器内の断層位置を直接可視化し、回転機械の条件監視のための実用的なソリューションを提供する。

関連論文リスト

• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• Chirp Localization via Fine-Tuned Transformer Model: A Proof-of-Concept Study [0.23020018305241333]
  脳波スペクトログラムのチャープ様パターンは発作ダイナミクスの鍵となるバイオマーカーである。 本研究では、視覚変換器(ViT)モデルとローランド適応(LoRA)を微調整することで、このギャップを埋める。 我々は、チャープパラメータを持つ10万のスペクトログラムを生成し、チャープローカライゼーションのための最初の大規模ベンチマークを作成した。
  論文  参考訳（メタデータ） (2025-03-24T14:27:07Z)
• A Neural Network-Based Search for Unmodeled Transients in LIGO-Virgo-KAGRA's Third Observing Run [0.5857761499059161]
  本稿では, LIGO, Virgo, KAGRAの3回観測結果から, ニューラルネットワークを用いた短周期重力波トランジェント探索の結果について述べる。 探索は、30-1500Hzの周波数帯域でミリ秒から数秒間、受信信号の方向、偏光、形態について仮定することなく、未モデル化のトランジェントをターゲットにしている。
  論文  参考訳（メタデータ） (2024-12-27T19:00:01Z)
• Anomaly Detection and Radio-frequency Interference Classification with Unsupervised Learning in Narrowband Radio Technosignature Searches [0.0]
  本稿では,HDBSCANを用いて偽陽性率を低減し,外れ値信号の分離を行う信号処理手法であるGLOBular Clusteringを提案する。 ターボSETIのような標準的な狭帯域信号検出と空間フィルタリングパイプラインを組み合わせると、GLOBularクラスタリングは偽陽性率を大幅に改善する。 我々は,Lバンド付近の97個の銀河をChozaらによるターボSETI法で探索し,93.1%,99.3%の偽陽性事象低減率を示す。
  論文  参考訳（メタデータ） (2024-11-25T16:40:19Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)

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。