論文の概要: Fusing Spectral Correlation Density Imaging with Deep Learning for Intelligent Fault Diagnosis in Rotating Machinery

• arxiv url: http://arxiv.org/abs/2509.16580v1
• Date: Sat, 20 Sep 2025 08:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.870023
• Title: Fusing Spectral Correlation Density Imaging with Deep Learning for Intelligent Fault Diagnosis in Rotating Machinery
• Title（参考訳）: 回転機械の知的故障診断のための深層学習を用いた拡散スペクトル相関密度イメージング
• Authors: Dilshara Herath, Chinthaka Abeyrathne, Chamindu Adithya, Chathura Seneviratne,
• Abstract要約: 本研究は, スペクトル相関密度(SCD)画像による振動データのサイクロ定常特性を活用し, 故障検出の高度化を図る。 3つの畳み込みニューラルネットワーク(CNN)モデル、Custom CNN、ResNet152V2、EfficientNetB0は、7つのベアリング条件を分類するために開発された。 異なる住宅にまたがる高い精度のモデルでは、センシングプラットフォーム近傍に展開可能なコスト効率の高い状態監視に適した堅牢なソリューションが示される。
• 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: Bearing fault diagnosis in rotating machinery is critical for ensuring operational reliability, therefore early fault detection is essential to avoid catastrophic failures and expensive emergency repairs. Traditional methods like Fast Fourier Transform (FFT) often fail to capture the complex, non-stationary nature of vibration signals. This study leverages the cyclostationary properties of vibration data through Spectral Correlation Density (SCD) images to enhance fault detection and apply deep learning for classification. Using a publicly available dataset with bearing faults seeded in two distinct housings (A and B) under varying load conditions (0 Nm, 2 Nm, 4 Nm), we processed vibration signals into 2D SCD images to reveal fault-specific periodicities, such as broadband spectra (2000--8000 Hz) for larger faults. Three convolutional neural network (CNN) models, Custom CNN, ResNet152V2, and EfficientNetB0, were developed to classify seven bearing conditions. The custom CNN achieved the highest accuracies of 96.58\% and 94.95\% on Housing A and B, respectively, followed by ResNet152V2 at 96.49\% and 95.35\%, and EfficientNetB0 at 94.16\% and 91.65\%, respectively. The models' high accuracies across different housings demonstrate a robust solution suitable for cost-effective condition monitoring deployable near sensing platforms, contributing to applied machine learning for edge intelligence and showcasing effective signal processing strategies for handling complex, potentially large-scale vibration data.
• Abstract（参考訳）: 回転機械の故障診断は運転信頼性を確保するために重要であるため、破滅的な故障や高価な緊急修理を避けるためには早期の故障検出が不可欠である。 高速フーリエ変換(FFT)のような従来の手法は、振動信号の複雑な非定常的な性質を捉えるのに失敗することが多い。 本研究では, スペクトル相関密度(SCD)画像による振動データのサイクロ定常特性を活用し, 故障検出の高度化と分類のためのディープラーニングの適用について検討した。 異なる負荷条件 (0 Nm, 2 Nm, 4 Nm) 下で2つの異なるハウジング(A, B) でシードされたベアリング障害を有する公用データセットを用いて, ブロードバンドスペクトル (2000-8000 Hz) などの断層固有周期性を明らかにするために, 振動信号を2次元SCD画像に加工した。 3つの畳み込みニューラルネットワーク(CNN)モデル、Custom CNN、ResNet152V2、EfficientNetB0は、7つのベアリング条件を分類するために開発された。 カスタムCNNは、それぞれ住宅AとBで96.58\%、94.95\%、ResNet152V2が96.49\%、95.35\%、EfficientNetB0が94.16\%、91.65\%の最高精度を達成した。 異なる住宅にまたがる高い精度は、センサープラットフォームの近くに配置可能なコスト効率の良い状態監視に適した堅牢なソリューションを示し、エッジインテリジェンスに機械学習を適用し、複雑な、潜在的に大規模な振動データを扱うための効果的な信号処理戦略を示す。

関連論文リスト

• Multimodal Bearing Fault Classification Under Variable Conditions: A 1D CNN with Transfer Learning [0.46085106405479537]
  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。
  論文  参考訳（メタデータ） (2025-02-23T19:11:25Z)
• 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)
• 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)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis [0.5277756703318045]
  本稿では,音環境における故障診断性能を向上させるため,TDANet(Tunal Denoise Convolutional Neural Network With Attention)を提案する。 TDANetモデルは、その周期特性に基づいて1次元信号を2次元テンソルに変換し、マルチスケールの2次元畳み込みカーネルを用いて周期内および周期間の信号情報を抽出する。 CWRU (single sensor) とReal Aircraft Sensor Fault (multiple sensor) の2つのデータセットに対する評価は、TDANetモデルがノイズの多い環境下での診断精度において既存のディープラーニングアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-03-29T02:54:41Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• 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)
• 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 Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals [4.287341231968003]
  本研究では、現状のViT(Vision Transformer)を用いて、ベアリング欠陥を分類する。 このモデル全体の精度は98.8%に達した。
  論文  参考訳（メタデータ） (2022-08-15T08:37:30Z)

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。