論文の概要: Hybrid CNN-BYOL Approach for Fault Detection in Induction Motors Using Thermal Images

• arxiv url: http://arxiv.org/abs/2510.07692v1
• Date: Thu, 09 Oct 2025 02:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.814515
• Title: Hybrid CNN-BYOL Approach for Fault Detection in Induction Motors Using Thermal Images
• Title（参考訳）: 熱画像を用いた誘導電動機の故障検出のためのハイブリッドCNN-BYOLアプローチ
• Authors: Tangin Amir Smrity, MD Zahin Muntaqim Hasan Muhammad Kafi, Abu Saleh Musa Miah, Najmul Hassan, Yuichi Okuyama, Nobuyoshi Asai, Taro Suzuki, Jungpil Shin,
• Abstract要約: 本稿では,BYOLとCNNを併用して誘導モータの熱画像の分類を行い,故障検出を行うハイブリッド手法を提案する。 提案したBYOL-IMNetは、99.89%のテスト精度と画像当たり5.7msの推論時間を実現し、最先端のモデルを上回っている。
• 参考スコア（独自算出の注目度）: 4.7031140979091965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Induction motors (IMs) are indispensable in industrial and daily life, but they are susceptible to various faults that can lead to overheating, wasted energy consumption, and service failure. Early detection of faults is essential to protect the motor and prolong its lifespan. This paper presents a hybrid method that integrates BYOL with CNNs for classifying thermal images of induction motors for fault detection. The thermal dataset used in this work includes different operating states of the motor, such as normal operation, overload, and faults. We employed multiple deep learning (DL) models for the BYOL technique, ranging from popular architectures such as ResNet-50, DenseNet-121, DenseNet-169, EfficientNetB0, VGG16, and MobileNetV2. Additionally, we introduced a new high-performance yet lightweight CNN model named BYOL-IMNet, which comprises four custom-designed blocks tailored for fault classification in thermal images. Our experimental results demonstrate that the proposed BYOL-IMNet achieves 99.89\% test accuracy and an inference time of 5.7 ms per image, outperforming state-of-the-art models. This study highlights the promising performance of the CNN-BYOL hybrid method in enhancing accuracy for detecting faults in induction motors, offering a robust methodology for online monitoring in industrial settings.
• Abstract（参考訳）: 誘導電動機(IM)は、産業や日常生活において必須であるが、過熱、エネルギー消費、サービス障害につながる様々な障害の影響を受けやすい。 断層の早期検出は、モーターを保護し寿命を延ばすために不可欠である。 本稿では,BYOLとCNNを併用して誘導モータの熱画像の分類を行い,故障検出を行うハイブリッド手法を提案する。 この研究で使用される熱データセットには、通常の動作、過負荷、障害など、モーターの異なる動作状態が含まれている。 我々は、ResNet-50、DenseNet-121、DenseNet-169、EfficientNetB0、VGG16、MobileNetV2といった一般的なアーキテクチャから、BYOLテクニックのための複数のディープラーニングモデルを採用した。 さらに、熱画像の故障分類に適した4つのカスタム設計ブロックからなるBYOL-IMNetという高性能で軽量なCNNモデルも導入した。 実験の結果,提案したBYOL-IMNetはテスト精度99.89倍,画像あたり5.7msの推論時間を実現し,最先端のモデルよりも優れていた。 本研究は,CNN-BYOLハイブリッド方式による誘導電動機の故障検出精度の向上を図り,産業環境におけるオンラインモニタリングのための堅牢な手法を提案する。

関連論文リスト

• Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation [1.9997803560872798]
  電力エレクトロニクス用のデジタルツインは、実世界の応用では直接測定が非現実的または不可能な正確な電力損失を必要とする。 本稿では,物理に基づく熱モデルとデータ駆動の手法を組み合わせることで,温度測定のみを用いて電力損失を正確に検出・補正するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T18:37:14Z)
• Advanced technology in railway track monitoring using the GPR Technique: A Review [41.94295877935867]
  グラウンド・ペネトレーション・レーダー (GPR) は、鉄道線路の監視に使用できる電磁探査技術である。 バラストポケット、ファウルドバラスト、排水不良、下級集落などの欠陥を検出することができる。 本稿では,実世界のGPRデータのキャリブレーションに合成モデリングを用いる手法について述べる。 ディープラーニング技術、特にCNN(Convolutional Neural Networks)やRNN(Recurrent Neural Networks)も、GPRイメージの欠陥に関連するパターンを認識する上での有効性を強調している。
  論文  参考訳（メタデータ） (2025-01-19T18:01:39Z)
• Thermal Image-based Fault Diagnosis in Induction Machines via Self-Organized Operational Neural Networks [0.0]
  誘導機のコンディションモニタリングは、コストのかかる中断や機器の故障を防止するために不可欠である。 本研究では,2次元自己組織型オペレーショナルニューラルネットワーク(Self-ONNs)を用いて,リスケージ誘導電動機の熱画像から不正やローターの故障を診断する。
  論文  参考訳（メタデータ） (2024-12-08T11:37:23Z)
• Optimizing YOLOv5s Object Detection through Knowledge Distillation algorithm [37.37311465537091]
  本稿では, 目標検出作業における知識蒸留技術の応用について検討する。 教師ネットワークとしてYOLOv5l, 学生ネットワークとしてYOLOv5sを用いて, 蒸留温度の増加に伴い, 学生の検知精度は徐々に向上した。
  論文  参考訳（メタデータ） (2024-10-16T05:58:08Z)
• Fault Analysis And Predictive Maintenance Of Induction Motor Using Machine Learning [0.0]
  本稿では,誘導電動機故障の故障検出と分類のための機械学習モデルを提案する。 本研究の目的は、重要な電気成分を保護し、早期発見と診断による異常事象の進行を防止することである。 0.33HP誘導電動機のリアルタイムデータは、ニューラルネットワークのトレーニングとテストに使用される。
  論文  参考訳（メタデータ） (2024-09-16T02:37:07Z)
• Fault Diagnosis on Induction Motor using Machine Learning and Signal Processing [0.0]
  機械学習とSimulinkを用いた信号処理による誘導電動機故障の検出と同定について検討する。 誘導電動機の4つの故障(開回路故障、短回路故障、過負荷、破折ローターバー)を発生させた。 テストセットのモデルの精度を比較すると、決定木は92%の精度で最善を尽くしたと結論づけた。
  論文  参考訳（メタデータ） (2024-01-27T14:12:42Z)
• A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation [9.784061533539822]
  畳み込みニューラルネットワーク(CNN)は、PV細胞の既存の自動欠陥検出に広く用いられている。 本稿では,ニューラルアーキテクチャ探索と知識蒸留に基づくPVセルの自動欠陥検出のための軽量高性能モデルを提案する。 提案した軽量高性能モデルは、実際の産業プロジェクトのエンドデバイスに容易に展開でき、精度を維持できる。
  論文  参考訳（メタデータ） (2023-02-15T04:00:35Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• CellDefectNet: A Machine-designed Attention Condenser Network for Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
  太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。 本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。 発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
  論文  参考訳（メタデータ） (2022-04-25T16:35:19Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)
• EDCompress: Energy-Aware Model Compression for Dataflows [38.93186342851706]
  各種データフローに対するエネルギーを考慮したモデル圧縮手法であるEDCompressを提案する。 様々なエッジデバイスのエネルギー消費を、異なるデータフロータイプで効果的に削減することができる。 実験の結果、EDCompressはVGG-16、MobileNet、LeNet-5ネットワークで20X、17X、37Xのエネルギー効率を改善することができた。
  論文  参考訳（メタデータ） (2020-06-08T13:33:40Z)

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。