Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Convolutional Neural Network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Deep learning-based CNC milling tool wear stage estimation with multi-signal analysis
    Autorzy:
    Karabacak, Yunus Emre
    Powiązania:
    https://bibliotekanauki.pl/articles/27312777.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    wear stage estimation
    milling
    convolutional neural network
    time-frequency analysis
    Opis:
    CNC milling machines are frequently used in the manufacturing of mechanical parts in the industry. One of the most important components of milling machines is the cutting tool. Monitoring the cutting tool wear is important for the reliability, continuity, and quality of production. Monitoring the tool and detecting the stage of wear are difficult processes. In this work, the convolutional neural network (CNN), which is a deep learning method in which the features are extracted by an inner process, was performed to detect the wear stages of the milling tool. These stages that define the total lifespan of the tool are known as initial wear (IW), steady-state wear (SSW), and accelerated wear (AW). Short Time Fourier Transform (STFT) was applied to signals, and signal spectrograms were used to train CNN models with different complex architectures. Vibration signals, acoustic emission signals, and motor current signals from The Nasa Ames Milling Dataset were used to obtain the spectrograms. Pre-trained CNNs (GoogleNet, AlexNet, ResNet-50, and EfficientNet-B0) detected the tool wear stage with varying accuracies. It has been seen that the time duration of model training increases as the size of the dataset grows and the network architecture becomes more complex. The recommended method has also been tested on the 2010 PHM Data Challenge Dataset. CNN shows promise for condition monitoring of milling operations and detecting tool wear stage.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 3; art. no. 168082
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Intelligent fault diagnosis of rolling bearings based on continuous wavelet transform-multiscale feature fusion and improved channel attention mechanism
    Autorzy:
    Zhang, Jiqiang
    Kong, Xiangwei
    Cheng, Liu
    Qi, Haochen
    Yu, Mingzhu
    Powiązania:
    https://bibliotekanauki.pl/articles/24200817.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    deep learning
    continuous wavelet transform
    improved channel attention mechanism
    multi-conditions
    convolutional neural network
    Opis:
    Accurate fault diagnosis is critical to operating rotating machinery safely and efficiently. Traditional fault information description methods rely on experts to extract statistical features, which inevitably leads to the problem of information loss. As a result, this paper proposes an intelligent fault diagnosis of rolling bearings based on a continuous wavelet transform(CWT)-multiscale feature fusion and an improved channel attention mechanism. Different from traditional CNNs, CWT can convert the 1-D signals into 2-D images, and extract the wavelet power spectrum, which is conducive to model recognition. In this case, the multiscale feature fusion was implemented by the parallel 2-D convolutional neural networks to accomplish deeper feature fusion. Meanwhile, the channel attention mechanism is improved by converting from compressed to extended ways in the excitation block to better obtain the evaluation score of the channel. The proposed model has been validated using two bearing datasets, and the results show that it has excellent accuracy compared to existing methods.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 1; art. no. 16
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modified convolutional neural network with global average pooling for intelligent fault diagnosis of industrial gearbox
    Diagnostyka błędów przekładni przemysłowych z wykorzystaniem zmodyfikowanej splotowej sieci neuronowej z globalnym uśrednieniem wartości dla poszczególnych kanałów
    Autorzy:
    Li, Yaxin
    Wang, Kesheng
    Powiązania:
    https://bibliotekanauki.pl/articles/300870.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    modified convolutional neural network
    global average pooling
    intelligent fault diagnosis
    industrial Gearbox
    zmodyfikowana splotowa sieć neuronowa
    globalne uśrednienie względem kanałów
    inteligentna diagnostyka błędów
    przekładnia przemysłowa
    Opis:
    Gearboxes are key transmission components and widely used in various industrial applications. Due to the possible operational conditions, such as varying rotational speeds, long period of heavy loads, etc., gearboxes may easily be prone to failure. Condition Monitoring (CM) has been proved to be an effective methodology to improve the safety and reliability of gearboxes. Deep learning approaches, nowadays, further enable the CM with more powerful capability to exploit faulty information from massive data and make intelligently diagnostic decisions. However, for most of conventional deep learning models, such as Convolutional Neural Network (CNN), a large amount of labelled training data is a prerequisite, while to obtain the labelled data is usually a laborious and time-consuming job and sometimes even unattainable. In this paper, to handle the case of only a limited labelled data is available, a modified convolutional neural network (MCNN) is proposed by integrating global average pooling (GAP) to reduce the number of trainable parameters and simplify the architecture of deep learning model. The proposed MCNN improves the traditional CNN’s ability in fault diagnosis with limited labelled data. Two experimental gearbox datasets are utilized to demonstrate the effectiveness of the proposed MCNN method. Compared with traditional deep learning approaches, namely LSTM, CNN and its variant methods, the experimental results show that the proposed MCNN with higher discrimination and generalization ability in fault classification and diagnostics under the scenario of limited labelled training samples.
    Przekładnie stanowią kluczowe elementy układów napędowych i jako takie znajdują szerokie zastosowane w przemyśle. Ze względu na warunki eksploatacji, takie jak różne prędkości obrotowe czy długie okresy pracy pod dużym obciążeniem itp., przekładnie mogą łatwo ulegać uszkodzeniom. Udowodniono, że monitorowanie stanu skutecznie poprawia bezpieczeństwo i niezawodność przekładni. Podejścia oparte na uczeniu głębokim umożliwiają ponadto monitorowanie stanu z większym wykorzystaniem informacji o błędach pochodzących z dużych zbiorów danych i podejmowanie inteligentnych decyzji diagnostycznych. Jednak w przypadku większości konwencjonalnych modeli uczenia głębokiego, takich jak splotowe sieci neuronowe (convolutional neural networks, CNN), wymagana jest duża ilość etykietowanych danych uczących, których pozyskanie jest zwykle zadaniem praco- i czasochłonnym, a czasem wręcz niemożliwym do wykonania. W niniejszej pracy, przedstawiono zmodyfikowaną splotową sieć neuronową (modified convolutional neural network, MCNN), która rozwiązuje problem dostępności danych etykietowanych poprzez zastosowanie globalnego uśrednienia względem kanałów (global average pooling), co pozwala na zmniejszenie liczby możliwych do wyuczenia parametrów i uproszczenie architektury modelu głębokiego uczenia. W porównaniu do tradycyjnych sieci CNN, proponowana sieć MCNN zwiększa możliwości diagnozowania błędów przy ograniczonych danych etykietowanych. Skuteczność proponowanej metody wykazano na przykładzie dwóch zbiorów danych doświadczalnych dotyczących błędów przekładni. Wyniki eksperymentalne pokazują, że, w porównaniu z tradycyjnymi metodami uczenia głębokiego, takimi jak LSTM, CNN oraz warianty tej ostatniej, proponowane podejście MCNN daje większe możliwości rozróżniania i uogólniania podczas klasyfikacji i diagnostyki błędów w przypadku ograniczonej dostępności etykietowanych danych uczących.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 1; 63-72
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
    Diagnostyka pittingu kół zębatych na podstawie surowego sygnału emisji akustycznej w oparciu o głębokie uczenie maszynowe
    Autorzy:
    Li, Xueyi
    Li, Jialin
    He, David
    Qu, Yongzhi
    Powiązania:
    https://bibliotekanauki.pl/articles/301093.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gear pitting fault diagnosis
    autoencoder
    one-dimensional convolutional neural network
    acoustic emission signal
    diagnostyka pittingu kół zębatych
    autoenkoder
    jednowymiarowa splotowa sieć neuronowa
    sygnał emisji akustycznej
    Opis:
    Gear pitting fault is one of the most common faults in mechanical transmission. Acoustic emission (AE) signals have been effective for gear fault detection because they are less affected by ambient noise than traditional vibration signals. To overcome the problem of low gear pitting fault recognition rate using AE signals and convolutional neural networks, this paper proposes a new method named augmented convolution sparse autoencoder (ACSAE) for gear pitting fault diagnosis using raw AE signals. First, the proposed method combines sparse autoencoder and one-dimensional convolutional neural networks for unsupervised learning and then uses the reinforcement theory to enhance the adaptability and robustness of the network. The ACSAE method can automatically extract fault features directly from the original AE signals without time and frequency domain conversion of the AE signals. AE signals collected from gear test experiments are used to validate the ACSAE method. The analysis result of the gear pitting fault test shows that the proposed method can effectively performing recognition of the gear pitting faults, and the recognition rate reaches above 98%. The comparative analysis shows that in comparison with fully-connected neural networks, convolutional neural networks, and recurrent neural networks, the ACSAE method has achieved a better diagnostic accuracy for gear fitting faults.
    Pitting kół zębatych stanowi jedno z najczęstszych uszkodzeń przekładni mechanicznych. Do wykrywania takich uszkodzeń stosuje się sygnały emisji akustycznej (AE), które, ze względu na niższą wrażliwość na hałas otoczenia, stanowią skuteczniejsze narzędzie diagnostyczne niż tradycyjne sygnały wibracyjne. Wykrywalność zużycia guzełkowatego (pittingu) kół zębatych przy użyciu sygnałów AE i splotowych sieci neuronowych jest jednak niska. Aby rozwiązać ten problem, w niniejszym artykule zaproponowano nową metodę diagnozowania uszkodzeń kół zębatych za pomocą surowych sygnałów AE, którą nazwano augmented convolution sparse autoencoder (konwolucją rozszerzoną z wykorzystaniem autoenkodera rzadkiego, ACSAE). Jest to metoda samouczenia jednowymiarowych splotowych sieci neuronowych realizowanego za pomocą autoenkodera rzadkiego. Metoda ta wykorzystuje teorię wzmocnienia do zwiększania adaptacyjności i odporności sieci. Metoda ACSAE pozwala na automatyczne wyodrębnianie cech degradacji bezpośrednio z oryginalnych sygnałów AE bez konieczności ich konwersji do domeny czasu i częstotliwości. Walidację metody przeprowadzono na podstawie sygnałów AE otrzymanych w badaniach kół zębatych. Analiza wyników badań pittingu kół zębatych wskazuje, że proponowana metoda pozwala na skuteczną detekcję tego typu uszkodzeń, przy wskaźniku wykrywalności powyżej 98%. Analiza porównawcza pokazuje, że metoda ACSAE cechuje się większą trafnością diagnostyczną w wykrywaniu błędów montażowych kół zębatych w porównaniu z sieciami neuronowymi w pełni połączonymi, splotowymi i rekurencyjnymi.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 3; 403-410
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies