論文の概要: Improving Engine Sound Analysis in Hot-Test Environments via a RAB-U-Net (Residual Attention Block U-Net) Noise Removal Method
- arxiv url: http://arxiv.org/abs/2606.21887v1
- Date: Sat, 20 Jun 2026 05:17:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 02:25:11.219045
- Title: Improving Engine Sound Analysis in Hot-Test Environments via a RAB-U-Net (Residual Attention Block U-Net) Noise Removal Method
- Title（参考訳）: RAB-U-Net(Residual Attention Block U-Net)ノイズ除去法による高温環境におけるエンジン音解析の改善
- Authors: Raheleh Mohseni, Mahdi Alyari,
- Abstract要約: 背景雑音は、しばしば正確な音響解析に干渉し、エンジン診断における潜在的な誤りを引き起こす。
伝統的に、熟練技術者はエンジンの健全性を評価するためにエンジン音を聴くが、これは重大な不正確さを引き起こす。
本研究は, エンジン音の背景雑音を除去することにより, この問題に対処する革新的な深層学習手法を提案する。
- 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: During hot tests on a production line, engine-sound analysis is crucial to ensuring product quality and performance. However, background noise often interferes with accurate sound analysis, leading to potential errors in engine diagnostics. Traditionally, skilled technicians listen to engine sounds to assess engine health, but this is prone to significant inaccuracies. This study presents an innovative deep learning-based approach to address this issue by removing background noise from engine sound recordings using a U-Net neural network structure enhanced with Residual Attention Blocks (RAB-U-Net). Our intelligent noise removal system significantly improves the accuracy of engine noise detection, outperforming traditional techniques and providing a robust solution for real-time applications in production line environments. This study proposes a novel system for engine noise detection in production lines, marking a valuable advancement for the automotive industry in applying deep learning methods to improve the quality of engine diagnostics.
- Abstract（参考訳）: 生産ラインでのホットテストの間、エンジン音の分析は製品の品質と性能を保証するために不可欠である。
しかし、背景雑音はしばしば正確な音響解析に干渉し、エンジン診断における潜在的な誤りを引き起こす。
伝統的に、熟練技術者はエンジンの健全性を評価するためにエンジン音を聴くが、これは重大な不正確さを引き起こす。
本研究では,Residual Attention Blocks (RAB-U-Net)により強化されたU-Netニューラルネットワーク構造を用いて,エンジン音の記録からバックグラウンドノイズを除去することにより,この問題に対処する革新的なディープラーニングベースのアプローチを提案する。
我々のインテリジェントノイズ除去システムは、エンジンノイズ検出の精度を大幅に向上させ、従来の技術より優れ、生産ライン環境におけるリアルタイムアプリケーションのための堅牢なソリューションを提供する。
本研究は, 自動車業界にとって, エンジン診断の品質向上に深層学習を適用した, エンジン騒音検出システムを提案する。
関連論文リスト
- Physics-guided denoiser network for enhanced additive manufacturing data quality [0.0]
本稿では,エネルギーモデルとフィッシャースコアの正規化を統合した物理インフォームド・デノナイズ・フレームワークを提案する。
次に,レーザーパウダーベッド融合(LPBF)添加製造実験から得られた実熱放射データにこの枠組みを適用した。
提案手法はベースラインニューラルネットワークデノイザーより優れており, LPBF処理条件下でのノイズを効果的に低減する。
論文 参考訳（メタデータ） (2025-07-31T05:21:02Z) - Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics [40.044978986425676]
3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。
本稿では,エンジン物理モデルを考慮した教師なし異常発生手法を提案する。
SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
論文 参考訳（メタデータ） (2025-06-10T03:36:16Z) - Comparison of Deep Recurrent Neural Networks and Bayesian Neural Networks for Detecting Electric Motor Damage Through Sound Signal Analysis [0.0]
本研究ではリカレントニューラルネットワーク(RNN)とベイズニューラルネットワーク(BNN)を用いて,音響信号解析による運動障害の診断を行った。
RNNとBNNの両方のアーキテクチャは、スマートフォンを用いて家電から収集した実世界の音響データに基づいて設計・評価されている。
論文 参考訳（メタデータ） (2025-02-07T12:57:48Z) - 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) - sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection
with Spiking Neural Networks [51.516451451719654]
スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。
本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。
SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-03-09T02:55:44Z) - Noisy Spiking Actor Network for Exploration [56.13654667729119]
スパイキングニューラルネットワーク(SNN)はノイズに対して強い堅牢性を持ち、局所的な障害による効率的な探索を実現することは困難である。
本稿では,充電・送信中の時間関連ノイズを発生させるノイズの多いスパイクアクタネットワーク(ノイズSAN)を提案する。
本手法は,OpenAI体育館の多種多様な連続制御タスクにおいて,最先端の性能を向上する。
論文 参考訳（メタデータ） (2024-03-07T02:47:08Z) - Validation of artificial neural networks to model the acoustic behaviour
of induction motors [0.0]
本研究は、誘導電動機の心理音響パラメータを同時に予測するモデリング手法として、マルチタスク人工ニューラルネットワークの使用を評価することである。
誘導電動機の音響特性を評価するために, 等価音圧, 音量, 粗さ, 鋭さを出力として2種類の人工ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-01-27T10:49:33Z) - Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。
ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
論文 参考訳（メタデータ） (2023-07-24T14:19:36Z) - Cutting Through the Noise: An Empirical Comparison of Psychoacoustic and
Envelope-based Features for Machinery Fault Detection [6.9260317236159]
本稿では,Lenze Production background-noise (LPBN) 実世界のデータセットと,車載モータの終端点検のためのARAIシステムについて述べる。
アコースティックアレイは、マイナーな故障、主要な故障、または健康なモータからデータを取得するために使用される。
我々の知る限りでは、私たちは初めて、時間変化の心理音響的特徴を断層検出に適用しました。
論文 参考訳（メタデータ） (2022-11-03T10:56:17Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Robust Processing-In-Memory Neural Networks via Noise-Aware
Normalization [26.270754571140735]
PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。
雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T06:51:28Z)
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。