論文の概要: In-Process Monitoring of Gear Power Honing Using Vibration Signal Analysis and Machine Learning

• arxiv url: http://arxiv.org/abs/2510.17809v1
• Date: Wed, 24 Sep 2025 08:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.478247
• Title: In-Process Monitoring of Gear Power Honing Using Vibration Signal Analysis and Machine Learning
• Title（参考訳）: 振動信号解析と機械学習を用いた歯車パワーホーニングの現場モニタリング
• Authors: Massimo Capurso, Luciano Afferrante,
• Abstract要約: 本研究では、ギヤパワーホニングのプロセス内監視のための新しいデータ駆動型フレームワークを提案する。 提案手法は加速度計による連続的なデータ取得と時間周波数信号解析を含む。 提案手法は工業環境で高い分類精度(最大100%)を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern gear manufacturing, stringent Noise, Vibration, and Harshness (NVH) requirements demand high-precision finishing operations such as power honing. Conventional quality control strategies rely on post-process inspections and Statistical Process Control (SPC), which fail to capture transient machining anomalies and cannot ensure real-time defect detection. This study proposes a novel, data-driven framework for in-process monitoring of gear power honing using vibration signal analysis and machine learning. Our proposed methodology involves continuous data acquisition via accelerometers, followed by time-frequency signal analysis. We investigate and compare the efficacy of three subspace learning methods for features extraction: (1) Principal Component Analysis (PCA) for dimensionality reduction; (2) a two-stage framework combining PCA with Linear Discriminant Analysis (LDA) for enhanced class separation; and (3) Uncorrelated Multilinear Discriminant Analysis with Regularization (R-UMLDA), adapted for tensor data, which enforces feature decorrelation and includes regularization for small sample sizes. These extracted features are then fed into a Support Vector Machine (SVM) classifier to predict four distinct gear quality categories, established through rigorous geometrical inspections and test bench results of assembled gearboxes. The models are trained and validated on an experimental dataset collected in an industrial context during gear power-honing operations, with gears classified into four different quality categories. The proposed framework achieves high classification accuracy (up to 100%) in an industrial setting. The approach offers interpretable spectral features that correlate with process dynamics, enabling practical integration into real-time monitoring and predictive maintenance systems.
• Abstract（参考訳）: 現代の歯車製造において、強い騒音、振動、ハーシュネス(NVH)の要求は、パワーホニングのような高精度な仕上げ作業を必要としている。 従来の品質管理戦略はポストプロセス検査と統計的プロセス制御(SPC)に依存しており、過渡的な加工異常を捉えることができず、リアルタイムな欠陥検出ができない。 本研究では,振動信号解析と機械学習を用いたギヤパワーホニングのプロセス内モニタリングのための,新しいデータ駆動型フレームワークを提案する。 提案手法は加速度計による連続的なデータ取得と時間周波数信号解析を含む。 特徴抽出のための3つの部分空間学習手法の有効性について検討・比較を行った。(1)主成分分析(PCA)の次元化,(2)線形識別分析(LDA)と組み合わせた2段階のフレームワークと(3)非相関多重線形識別分析(R-UMLDA)は特徴デコレーションを強制するテンソルデータに適応し,小さなサンプルサイズの正規化を含む。 これらの特徴をSVM(Support Vector Machine)分類器に入力し、4つの異なるギア品質カテゴリを予測する。 モデルは、ギヤギヤギヤギヤギヤギザギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギヤギラの4種の4種魚の4種の4種の4種にの4種に、 提案手法は工業環境で高い分類精度(最大100%)を達成する。 このアプローチは、プロセスのダイナミクスと相関する解釈可能なスペクトル機能を提供し、リアルタイム監視と予測保守システムへの実用的な統合を可能にします。

関連論文リスト

• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods [39.27649013012046]
  本研究では,不確実性定量化とモデルロバスト性を考慮した閉じ込め状態分類法を開発した。 我々は,TV放電のオフライン解析に焦点をあて,Lモード,Hモード,および中間ディザリング位相(D)を区別する。 302TCV放電のデータセットは完全にラベル付けされ、一般公開される。
  論文  参考訳（メタデータ） (2025-02-24T18:25:22Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• 1-D Residual Convolutional Neural Network coupled with Data Augmentation and Regularization for the ICPHM 2023 Data Challenge [24.37696434579732]
  本稿では,生の3チャンネル時間領域振動信号を用いた残差畳み込みニューラルネットワークを提案する。 ネットワークは、検査中のギアボックスの状態を正確に予測することができる。
  論文  参考訳（メタデータ） (2023-04-14T08:50:21Z)
• Transfer Learning for Autonomous Chatter Detection in Machining [0.9281671380673306]
  大振幅のシャッター振動は加工過程において最も重要な現象の1つである。 業界全体でのチャット検出に機械学習を適用する上で、3つの課題が特定できる。 これら3つの課題は、移行学習の傘の下でグループ化することができる。
  論文  参考訳（メタデータ） (2022-04-11T20:46:06Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現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） (2022-02-09T01:09:59Z)
• Signal Processing and Machine Learning Techniques for Terahertz Sensing: An Overview [89.09270073549182]
  テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。 THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。 本稿では,信号前処理に着目した手法の概要を示す。 また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-04-09T01:38:34Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• An ensemble classifier for vibration-based quality monitoring [0.0]
  本稿では, 証拠のデンプスター・シェーファー理論に基づく新しいアンサンブル分類器を開発する。 提案フレームワークの有効性は、15UCIおよびKEEL機械学習データセットに適用することで検証される。
  論文  参考訳（メタデータ） (2020-07-17T07:23:56Z)

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。