Fugu-MT 論文翻訳(概要): A Time-Frequency Dual-Domain Multi-Scale Convolutional Neural Network for Bearing Fault Diagnosis under Strong Noise

論文の概要: A Time-Frequency Dual-Domain Multi-Scale Convolutional Neural Network for Bearing Fault Diagnosis under Strong Noise

arxiv url: http://arxiv.org/abs/2608.09174v1
Date: Mon, 10 Aug 2026 06:38:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.104893
Title: A Time-Frequency Dual-Domain Multi-Scale Convolutional Neural Network for Bearing Fault Diagnosis under Strong Noise
Title（参考訳）: 強騒音下での故障診断のための時間周波数デュアルドメインマルチスケール畳み込みニューラルネットワーク
Abstract要約: 本稿では,強い雑音下での軸受故障診断精度の劣化に対処する時間周波数二重領域多大畳み込みニューラルネットワークを提案する。実験により, クリーン条件下では99.75%の精度を実現し, 4dB SNRで92.50%の精度を維持した。
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: To address the degradation of bearing fault diagnosis accuracy under strong noise, this paper proposes a time-frequency dual-domain multi-scale convolutional neural network. The time-domain branch employs three parallel convolutional kernels to capture multi-scale impulse features, while the frequency-domain branch applies the Fast Fourier Transform to extract noise-robust spectral structure information. Features from both branches are fused for fault classification, yielding a compact model of 110,122 parameters. Experiments on the CWRU bearing dataset across seven signal-to-noise ratio levels demonstrate that the proposed method achieves 99.75% accuracy under clean conditions and maintains 92.50% at -4 dB SNR, representing a 7.25 percentage-point improvement over the single-domain baseline with monotonically increasing gains under stronger noise. Ablation experiments validate the independent performance contributions of the time-domain multi-scale branch and the frequency-domain branch. Comparative experiments against WDCNN, DRSN-CW, MCNN, and 1D-LeNet confirm the superiority of the proposed method under strong noise conditions.
Abstract（参考訳）: 本稿では,強い雑音下での軸受故障診断精度の劣化に対処するため,時間周波数二重領域多大畳み込みニューラルネットワークを提案する。時間領域ブランチは3つの並列畳み込みカーネルを使用してマルチスケールのインパルス特性をキャプチャし、周波数領域ブランチはFast Fourier変換を適用してノイズロススペクトル構造情報を抽出する。両枝の特徴は断層分類のために融合され、110,122パラメータのコンパクトモデルが得られる。 7つの信号対雑音比のデータセットを用いたCWRU実験では、クリーンな条件下で99.75%の精度を達成し、92.50%を4dB SNRで維持し、単一領域ベースラインに対して7.25ポイント改善し、より強い雑音下で単調に利得を増大させることを示した。アブレーション実験は、時間領域マルチスケールブランチと周波数領域ブランチの独立的なパフォーマンス貢献を検証する。 WDCNN,DRSN-CW,MCNN,1D-LeNetの比較実験により,強い雑音条件下での手法の優位性が確認された。

関連論文リスト

Fractional-Order Adaptive Motion Magnification: Phase-Reliability Weighting for Noise-Constrained Video Amplification [51.56484100374058]
本稿では、まずオフラインで、次に因果ストリームとして開発されたパイプラインであるフラクショナルオーダー適応運動拡大法を提案する。一定の時間的利得を分数次 Grnwald--Letnikov 微分に置き換え、高周波強調を連続的に制御する。リアルビデオでは、各ケースにおける空間選択性の向上と背景雑音の低減が示されている。
論文参考訳（メタデータ） (2026-09-03T21:43:22Z)
UniSkip-Mamba: A Frequency-Aware State Space Model for Audio-Visual Temporal Forgery Localization [13.738195795114516]
周波数対応状態空間モデルフレームワークUniSkip-Mambaを提案する。 AV-Deepfake1Mでは63.4%のAP@0.95,63.58%のmAP,6倍の高速化を実現した。
論文参考訳（メタデータ） (2026-07-05T20:51:24Z)
Class-frequency Guided Noise Schedule for Diffusion Models [83.19018650759415]
まず,拡散モデルにおけるクラス周波数とマルチスケールノイズスケジュールの相関について検討する。我々は,低周波クラスに大規模ノイズを付与すべきという知見を生かして,TextitClass- frequency Guided (CFRG)ノイズスケジュールを提案する。
論文参考訳（メタデータ） (2026-06-26T03:43:23Z)
BandRouteNet: An Adaptive Band Routing Neural Network for EEG Artifact Removal [0.0]
BandRouteNetは、EEG復調のための適応周波数対応ニューラルネットワークである。バンド固有の処理とフルバンドコンテキストモデリングを利用する。 EEGDenoiseNetベンチマークデータセットに関する大規模な実験は、BandRouteNetが他のメソッドよりも優れていることを示している。
論文参考訳（メタデータ） (2026-04-27T12:54:31Z)
Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
論文参考訳（メタデータ） (2026-01-12T03:14:12Z)
Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
論文参考訳（メタデータ） (2025-10-23T20:52:11Z)
PAF-Net: Phase-Aligned Frequency Decoupling Network for Multi-Process Manufacturing Quality Prediction [29.64140868907608]
周波数分離時系列予測フレームワークであるPAF-Netを提案する。周波数領域エネルギーで導かれる位相相関アライメント法による時間差品質系列の同期離散コサイン変換(DCT)分解と組み合わせた周波数独立型パッチアテンション機構により不均一な操作特徴を捉える。 4つの実世界のデータセットの実験は、PAF-Netの優位性を示している。
論文参考訳（メタデータ） (2025-07-30T16:56:42Z)
A novel fast short-time root music method for vibration monitoring of high-speed spindles [5.048369760845484]
本稿では,FFT高速化したLaczosの対角化を利用して計算複雑性を低減する高速短時間ルートMUMU (fSTrM) を提案する。本研究では,fSTrMが1.2Hzの周波数分解能(vs.12.5 Hz),93%の検知レートを5dB SNRで達成し,高調波コンテンツ解析により欠陥重大度を定量化することを示した。
論文参考訳（メタデータ） (2025-06-21T05:35:38Z)
Noise Conditional Variational Score Distillation [60.38982038894823]
騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
論文参考訳（メタデータ） (2025-06-11T06:01:39Z)
Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文参考訳（メタデータ） (2022-11-26T01:56:05Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。