論文の概要: LSR-Net: A Lightweight and Strong Robustness Network for Bearing Fault Diagnosis in Noise Environment
- arxiv url: http://arxiv.org/abs/2601.10761v1
- Date: Wed, 14 Jan 2026 08:25:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-02 02:21:38.433483
- Title: LSR-Net: A Lightweight and Strong Robustness Network for Bearing Fault Diagnosis in Noise Environment
- Title（参考訳）: LSR-Net:騒音環境における故障診断のための軽量・強ロバスト性ネットワーク
- Authors: Junseok Lee, Jihye Shin, Sangyong Lee, Chang-Jae Chun,
- Abstract要約: ノイズの多い環境下で高精度でリアルタイムな故障診断が可能な軽量で強靭なネットワーク(LSR-Net)を提案する。
適応型プルーニングをDMに適用し,ノイズの強度が強い場合にデノナイジング能力を向上させる。
また,提案モデルがベンチマークモデルよりも高い反雑音能力を示し,計算複雑性も低かった。
- 参考スコア（独自算出の注目度）: 3.594977024728695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rotating bearings play an important role in modern industries, but have a high probability of occurrence of defects because they operate at high speed, high load, and poor operating environments. Therefore, if a delay time occurs when a bearing is diagnosed with a defect, this may cause economic loss and loss of life. Moreover, since the vibration sensor from which the signal is collected is highly affected by the operating environment and surrounding noise, accurate defect diagnosis in a noisy environment is also important. In this paper, we propose a lightweight and strong robustness network (LSR-Net) that is accurate in a noisy environment and enables real-time fault diagnosis. To this end, first, a denoising and feature enhancement module (DFEM) was designed to create a 3-channel 2D matrix by giving several nonlinearity to the feature-map that passed through the denoising module (DM) block composed of convolution-based denoising (CD) blocks. Moreover, adaptive pruning was applied to DM to improve denoising ability when the power of noise is strong. Second, for lightweight model design, a convolution-based efficiency shuffle (CES) block was designed using group convolution (GConv), group pointwise convolution (GPConv) and channel split that can design the model while maintaining low parameters. In addition, the trade-off between the accuracy and model computational complexity that can occur due to the lightweight design of the model was supplemented using attention mechanisms and channel shuffle. In order to verify the defect diagnosis performance of the proposed model, performance verification was conducted in a noisy environment using a vibration signal. As a result, it was confirmed that the proposed model had the best anti-noise ability compared to the benchmark models, and the computational complexity of the model was also the lowest.
- Abstract（参考訳）: 回転軸受は現代の産業において重要な役割を担っているが、高速・高負荷・低運転環境で作動するため、欠陥の発生確率が高い。
したがって、ベアリングが欠陥と診断された場合に遅延時間が生じた場合、これは経済的損失と生命の喪失を引き起こす可能性がある。
また、信号が収集される振動センサは、動作環境や周囲の騒音の影響を受けやすいため、ノイズの多い環境での正確な欠陥診断も重要である。
本稿では,雑音の多い環境下で高精度でリアルタイムな故障診断が可能な軽量で強靭なネットワーク(LSR-Net)を提案する。
この目的のために、まず、畳み込み型デノナイジング(CD)ブロックからなるデノナイジングモジュール(DM)ブロックを通過した特徴マップにいくつかの非線形性を与えることで、3チャネル2D行列を作成するために、DFEM(denoising and feature enhancement Module)が設計された。
さらに, 適応プルーニングをDMに適用し, ノイズの強度が強い場合に消音性能を向上させる。
第二に、軽量モデル設計では、グループ畳み込み(GConv)、グループポイントワイド畳み込み(GPConv)、低パラメータを維持しながらモデルを設計できるチャネル分割を用いて、畳み込みベースの効率シャッフル(CES)ブロックを設計した。
さらに, モデル設計の軽量化により生じる精度とモデル計算複雑性のトレードオフを, 注意機構とチャネルシャッフルを用いて補足した。
提案手法の欠陥診断性能を検証するため,振動信号を用いた雑音環境下での性能検証を行った。
その結果,提案モデルがベンチマークモデルよりも高い反雑音能力を示し,計算複雑性も低かった。
関連論文リスト
- CEEMDAN-Based Multiscale CNN for Wind Turbine Gearbox Fault Detection [0.43776156667195165]
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。
論文 参考訳（メタデータ） (2026-01-08T21:55:15Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - Digital Twin-Driven Zero-Shot Fault Diagnosis of Axial Piston Pumps Using Fluid-Borne Noise Signals [4.11115562060457]
軸方向ピストンポンプは流体発電システムにおいて重要な構成要素である。
従来のデータ駆動手法は広範なラベル付き障害データを必要とする。
本稿では,ディジタルツイン駆動型ゼロショット故障診断フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-22T11:24:42Z) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - 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) - Quadratic Time-Frequency Analysis of Vibration Signals for Diagnosing
Bearing Faults [15.613528945524791]
本稿では, 騒音レベルの異なる軸受欠陥を診断するための時間周波数解析と深層学習の融合について述べる。
転がり要素軸受の様々な欠陥を診断するための時間周波数畳み込みニューラルネットワーク(TF-CNN)を設計する。
論文 参考訳（メタデータ） (2024-01-02T12:02:50Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
論文 参考訳（メタデータ） (2023-04-14T10:09:50Z) - 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) - A Data-driven Loss Weighting Scheme across Heterogeneous Tasks for Image Denoising [67.02529586335473]
変分分解モデルでは、データ忠実度項の重みはノイズ除去能力を高める役割を担っている。
本研究では,これらの問題に対処するデータ駆動型損失重み付け手法を提案する。
DLWの顕著な性能を検証し,様々な変分復調モデルの複素雑音処理能力の向上に寄与することを示した。
論文 参考訳（メタデータ） (2022-12-09T03:28:07Z)
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。