Bearing Fault Detection Based on Audio Signal Using Pre-Trained Deep Neural Networks

سال انتشار: 1402
محل انتشار: نخستین همایش "هوش مصنوعی و فناوری های آینده نگر"
کد COI اختصاصی: ICAIFT01_011
زبان مقاله: انگلیسی
تعداد مشاهده: 148

نویسندگان

Electrical Engineering Department, Hamedan University of Technology Hamedan, Iran

چکیده

In the current study, we delve into advanceddeep learning techniques, focusing on Convolutional NeuralNetwork (CNN) and deep Multi-Layer Perceptron (MLP)architectures to enhance fault detection in crucial machinecomponents such as rolling bearings. The main idea is toutilize a Stacked Auto-Encoder (SAE) to initialize the modeland improve its feature extraction capability. Moreover,departing from traditional vibration-based analyses, wepioneer the use of audio signals for fault detection. Theseideas are investigated for CNN and MLP architectures, and theperformance of the pre-trained models is compared with thatof two other models, namely models with the samearchitectures trained from scratch and the SAE encoderequipped with a softmax classifier. Comprehensive testing andcomparison reveal that integrating a pre-trained SAE modelinto the Deep Neural Network (DNN) can result in remarkableerror detection through prior feature learning.

کلیدواژه ها

Fault Detection; Roller Bearing; Deep Learning; Audio signals; Pre-Training

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.