弁音響信号のキャビテーション検出とキャビテーション強度認識のためのマルチタスク学習【JST・京大機械翻訳】

Sha Yu; Faber Johannes; Gou Shuiping; Liu Bo; Li Wei; Schramm Stefan; Stoecker Horst; Steckenreiter Thomas; Vnucec Domagoj; Wetzstein Nadine; Widl Andreas; Zhou Kai

プレプリント

J-GLOBAL ID：202202213028016334 整理番号：22P0297768

弁音響信号のキャビテーション検出とキャビテーション強度認識のためのマルチタスク学習【JST・京大機械翻訳】

A multi-task learning for cavitation detection and cavitation intensity recognition of valve acoustic signals

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2022年03月01日プレプリントサーバーでの情報更新日： 2022年04月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

スマート製造の急速な発展により,データ駆動機械健康管理は,ますます注目されている。機械健康管理における最も一般的な方法の1つとして,深層学習(DL)は顕著な成功を達成した。しかし,限られたサンプルの問題と音響信号の異なるキャビテーション状態の貧弱な分離性のために,キャビテーション強度認識とキャビテーション検出のためのDLモードの最終的性能を大いに妨げる。本研究では,1-D二重階層残差ネットワーク(1-D DHRN)を用いた同時キャビテーション検出とキャビテーション強度認識フレームワークのための新しいマルチタスク学習フレームワークを提案し,弁音響信号を解析した。最初に,高速Fourier変換(Swin-FFT)によるスライディングウィンドウに基づくデータ増強法を,本研究で直面する小サンプル問題を軽減するために開発した。第2に,1D二重階層残差ブロック(1-D DHRB)を構築して,弁の周波数領域音響信号から敏感な特徴を捕えた。次に,1-D DHRNの新しい構造を提案した。最後に,考案された1D DHRNを,雑音のない弁音響信号の2つのデータセット(Dataset 1とデータセット2)とSAMSON AG(Frankfurt)によって提供された現実的な周囲のノイズ(Dataset3)を有する弁音響信号の1つのデータセットに関して評価した。著者らの方法は最先端の結果を達成した。キャビテーション強度認識に対する1-D DHRNの予測精度は93.75%,94.31%および100%と高く,これは1-D DHRNが他のDLモデルおよび従来法より優れていることを示している。同時に,キャビテーション検出のための1-D DHRNの試験精度は,97.02%,97.64%および100%と高かった。さらに,1D DHRNを試料の異なる周波数に対して試験し,携帯電話が収容できる試料の周波数に対する優れた結果を示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

膜流,液滴,気泡,キャビテーション

, , ,

前のページに戻る