論文の概要: CEEMDAN-Based Multiscale CNN for Wind Turbine Gearbox Fault Detection

• arxiv url: http://arxiv.org/abs/2601.06217v1
• Date: Thu, 08 Jan 2026 21:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.687035
• Title: CEEMDAN-Based Multiscale CNN for Wind Turbine Gearbox Fault Detection
• Title（参考訳）: 風車ギアボックス故障検出のためのCEEMDANに基づくマルチスケールCNN
• Authors: Nejad Alagha, Anis Salwa Mohd Khairuddin, Obada Al-Khatib, Abigail Copiaco,
• Abstract要約: 本研究では,風車用ギアボックスの故障検出のためのハイブリッド手法を提案する。 CEEMDANとマルチスケール畳み込みニューラルネットワーク(MSCNN)を組み合わせている。 提案手法は実世界のデータセットに基づいて評価された98.95%のF1スコアを実現する。
• 参考スコア（独自算出の注目度）: 0.43776156667195165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind turbines play a critical role in the shift toward sustainable energy generation. Their operation relies on multiple interconnected components, and a failure in any of these can compromise the entire system's functionality. Detecting faults accurately is challenging due to the intricate, non-linear, and non-stationary nature of vibration signals, influenced by dynamic loading, environmental variations, and mechanical interactions. As such, effective signal processing techniques are essential for extracting meaningful features to enhance diagnostic accuracy. This study presents a hybrid approach for fault detection in wind turbine gearboxes, combining Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) and a Multiscale Convolutional Neural Network (MSCNN). CEEMDAN is employed to decompose vibration signals into intrinsic mode functions, isolating critical features at different time-frequency scales. These are then input into the MSCNN, which performs deep hierarchical feature extraction and classification. The proposed method achieves an F1 Score of 98.95\%, evaluated on real-world datasets, and demonstrates superior performance in both detection accuracy and computational speed compared to existing approaches. This framework offers a balanced solution for reliable and efficient fault diagnosis in wind turbine systems.
• Abstract（参考訳）: 風力タービンは持続可能なエネルギー発生へのシフトにおいて重要な役割を果たしている。 彼らの操作は複数の相互接続されたコンポーネントに依存しており、これらのいずれかの障害はシステム全体の機能を損なう可能性がある。 振動信号の複雑で非線形で非定常的な性質が動的荷重、環境変動、機械的相互作用に影響されるため、正確な故障検出は困難である。 そのため、有意義な特徴を抽出し、診断精度を高めるために効果的な信号処理技術が不可欠である。 本研究では, 風車用ギアボックスの故障検出のためのハイブリッド手法として, 完全アンサンブル経験モード分解と適応ノイズ(CEEMDAN)とマルチスケール畳み込みニューラルネットワーク(MSCNN)を組み合わせた手法を提案する。 CEEMDANは、振動信号を固有モード関数に分解し、異なる時間周波数スケールで重要な特徴を分離するために使用される。 これらはMSCNNに入力され、深い階層的な特徴抽出と分類を行う。 提案手法は,実世界のデータセットで評価したF1スコア98.95\%を達成し,既存の手法と比較して,検出精度と計算速度の両面で優れた性能を示す。 このフレームワークは、風力発電システムにおける信頼性と効率的な故障診断のためのバランスのとれたソリューションを提供する。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• FEMSN: Frequency-Enhanced Multiscale Network for fault diagnosis of rotating machinery under strong noise environments [0.6970521089724208]
  転がり軸受は回転機械の重要な構成要素であり, 工業生産に不可欠な機能である。 既存の状態モニタリング手法は、時間領域信号から異種の特徴を抽出し、健康状態を評価することに焦点を当てている。 本稿では,FEMSNと呼ばれる新しいCNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-07T07:58:48Z)
• 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)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• 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)
• Hard Sample Mining Enabled Supervised Contrastive Feature Learning for Wind Turbine Pitch System Fault Diagnosis [7.852044842211392]
  ピッチシステムにおける複数の健康状態は、それらを正確に分類する際の課題を引き起こす。 本稿では,ハードサンプルマイニングによる教師付きコントラスト学習に基づく新しい手法を提案する。 提案手法は, 故障診断性能の大幅な向上を示す。
  論文  参考訳（メタデータ） (2023-06-26T13:47:38Z)
• 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)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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)

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。