Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1557| Τύπος: | Ανακοίνωση σε συνέδριο |
| Τίτλος: | A multi-scale deep learning attention-based feature method for rolling elements bearing fault detection in industrial motor drives |
| Συγγραφέας: | [EL] Καρναβάς, Ιωάννης[EN] Karnavas, Yannis [EL] Πλακιάς, Σπυρίδων[EN] Plakias, Spyridon [EL] Χασιώτης, Ιωάννης-Ειρηναίος[EN] Chasiotis, Ioannis-Eirinaios |
| Ημερομηνία: | 27/07/2021 |
| Περίληψη: | In the last decade, convolutional neural networks have achieved great success in the automated fault diagnosis of rotating equipment in electrical machines. However, the application of convolutional models encounters some challenges to deal with such as (i) the requirement of a vast amount of training data and (ii) the selection of the neural architecture, and particularly the sizes of the convolutional kernels that effectively extract features from the raw input signal. To alleviate the above challenges, we propose a deep learning network consisting of multiple independent densely connected convolutional streams with different sizes of kernels and of a simple attention mechanism that fuses the extracted features, producing a feature mapping with generalization and discrimination power. Simulation cases with a widely used bearing fault detection benchmark show the effectiveness of the proposed approach, especially in cases of a restricted amount of training samples. |
| Γλώσσα: | Αγγλικά |
| Τόπος δημοσίευσης: | Θεσσαλονίκη, Ελλάδα |
| Σελίδες: | 4 |
| DOI: | 10.1109/MOCAST52088.2021.9493397 |
| ISBN: | 978-1-6654-1847-8 |
| Θεματική κατηγορία: | [EL] Ηλεκτρική και Ηλεκτρονική Μηχανική[EN] Electrical and Electronic Engineering |
| Λέξεις-κλειδιά: | ηλεκτρικές μηχανές; διάγνωση σφαλμάτων; νευρωνικά δίκτυα; μέθοδοι τεχνητής νοημοσύνης |
| Κάτοχος πνευματικών δικαιωμάτων: | ©2021 IEEE |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://ieeexplore.ieee.org/document/9493397 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://ieeexplore.ieee.org/xpl/conhome/9493265/proceeding |
| Τίτλος πηγής δημοσίευσης: | Proceedings of the 2021 10th International Conference on Modern Circuits and Systems Technologies (MOCAST) |
| Σελίδες τεκμηρίου (στην πηγή): | 4 |
| Όνομα εκδήλωσης: | 2021 10th International Conference on Modern Circuits and Systems Technologies (MOCAST) |
| Τοποθεσία εκδήλωσης: | Thessaloniki, Greece |
| Ημ/νία έναρξης εκδήλωσης: | 05/07/2021 |
| Ημ/νία λήξης εκδήλωσης: | 07/07/2021 |
| Σημειώσεις: | This research is co-financed by Greece and the European Union (European Social Fund- ESF) through the Operational Programme «Resources Development, Education and Lifelong Learning 2014-2020» in the context of the project "Investigation and Development of an Intelligent System for Fault Detection, Diagnosing and Prognosing in Industrial Induction Motors" (MIS 5050019). |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
| Αρχείο | Περιγραφή | Σελίδες | Μέγεθος | Μορφότυπος | Έκδοση | Άδεια | |
|---|---|---|---|---|---|---|---|
| A Multi-Scale Deep Learning Attention-based Feature Method for Rolling Elements Bearing Fault Detection in Industrial Motor Drives.pdf | 4 σελίδες | 782.12 kB | Adobe PDF | Δημοσιευμένη/του Εκδότη |  | Δείτε/ανοίξτε |