Machine Translated by Google

Komputasi Neural dan Aplikasi https://doi.org/10.1007/

s00521-019-04097-w(0123456789().,-volV)(0123456789().,-volV)

ARTIKEL ASLI

Jaringan saraf convolutional transfer untuk diagnosis kesalahan

berdasarkan ResNet-50

Long Wen1 • Xinyu Li1 • Liang Gao1

Diterima: 11 Oktober 2018 / Diterima: 12 Februari 2019

Springer-Verlag London Ltd., bagian dari Springer Nature 2019

Abstrak
Dengan pesatnya perkembangan manufaktur pintar, diagnosis kesalahan berbasis data telah menarik perhatian yang semakin meningkat.
Sebagai salah satu metode paling populer yang diterapkan dalam diagnosis kesalahan, deep learning (DL) telah mencapai hasil yang
luar biasa. Namun, karena volume sampel berlabel kecil dalam diagnosis kesalahan, kedalaman model DL untuk diagnosis kesalahan
dangkal dibandingkan dengan jaringan saraf konvolusional di area lain (termasuk ImageNet), yang membatasi akurasi prediksi akhir
mereka. Dalam penelitian ini, TCNN (ResNet-50) baru dengan kedalaman 51 lapisan convolutional diusulkan untuk diagnosis kesalahan.
Dengan menggabungkan pembelajaran transfer, TCNN (ResNet-50) menerapkan ResNet-50 yang dilatih di ImageNet sebagai ekstraktor
fitur untuk diagnosis kesalahan. Pertama, metode signal-to-image dikembangkan untuk mengonversi sinyal kesalahan domain waktu ke
format gambar RGB sebagai tipe data input ResNet-50. Kemudian, struktur baru TCNN (ResNet-50) diusulkan. Akhirnya, TCNN
(ResNet-50) yang diusulkan telah diuji pada tiga set data, termasuk set data kerusakan bearing yang disediakan oleh pusat data KAT,
set data bantalan motor yang disediakan oleh Case Western Reserve University (CWRU) dan set data pompa sentrifugal self-priming.
Itu mencapai hasil yang canggih. Akurasi prediksi TCNN(ResNet-50) setinggi 98,95% ± 0,0074, 99,99% ± 0, dan 99,20% ± 0, yang
menunjukkan bahwa TCNN(ResNet-50) mengungguli model DL dan metode tradisional lainnya.

Kata kunci Diagnosis kesalahan Jaringan saraf convolutional Fitur mentransfer ResNet-50

1. Perkenalan dapat dikumpulkan dengan baik. Diagnosis kesalahan berbasis

data telah menarik lebih banyak perhatian [3, 4].
Diagnosis kesalahan telah dipelajari oleh banyak peneliti dalam Kemampuan pembelajaran cerdas dari sejumlah besar data
beberapa tahun terakhir [1]. Sebagai jenis diagnosis kesalahan historis adalah karakteristik kunci dari metode diagnosis kesalahan
yang khas, diagnosis kesalahan berbasis data dapat menetapkan berbasis data [5, 6]. Metode pembelajaran mesin, seperti mesin
mode kesalahan menggunakan data historis tanpa model eksplisit vektor dukungan (SVM), sistem fuzzy dan jaringan syaraf tiruan
atau gejala sinyal sebelumnya, yang sangat cocok untuk sistem (JST), adalah metode yang paling populer diterapkan di bidang
yang kompleks [2]. Dengan pesatnya perkembangan manufaktur diagnosis kesalahan berbasis data. Yang dkk. [7] mempelajari
pintar, data yang dihasilkan oleh mesin dan perangkat meningkat dan SVM berbasis fitur degradasi baru untuk diagnosis kesalahan
pegas hidro-pneumatik kendaraan berat. Huseyin Metin dkk. [8]
menyelidiki metode JST dan sistem inferensi fuzzy berbasis
& Liang Gao jaringan adaptif (ANFIS) untuk deteksi dan diagnosis kesalahan
gaoliang@mail.hust.edu.cn
bantalan.
Long Wen Kiakojoori dan Khorasani [9] mempelajari JST dinamis untuk
wenlong@hust.edu.cn
pemantauan kesehatan dan prognosis mesin turbin gas.
Xinyu Li Manjeevan dkk. [10] menerapkan fuzzy min-max neural net work
lixinyu@mail.hust.edu.cn
untuk deteksi kesalahan dan diagnosis motor induksi.
1
Laboratorium Kunci Negara Manufaktur Digital
Pada umumnya metode machine learning ini digabungkan dengan
Peralatan dan Teknologi, Sekolah Ilmu dan Teknik Mekanik, proses ekstraksi fitur [11]. Namun, sulit untuk mengetahui fitur
Universitas Sains dan Huazhong apa yang harus diekstraksi,
Teknologi, Wuhan 430074, Cina

123
Machine Translated by Google
dan fitur-fitur ini berdampak besar pada hasil akhir metode
pembelajaran mesin [12].
Pembelajaran mendalam (DL) telah muncul sebagai area baru di
bidang pembelajaran mesin untuk mengatasi kekurangan di atas. Itu
dapat mempelajari fitur representasi dari data mentah secara
otomatis [13]. Metode DL telah diterapkan dalam bidang diagnosis
kesalahan secara luas [14], seperti deep belief network (DBN),
sparse autoencoder (SAE) dan convolutional neural network (CNN).
Karena metode DL dapat mengurangi efek dari fitur buatan yang
dirancang oleh proses ekstraksi fitur, mereka menunjukkan potensi
besar untuk diagnosis kesalahan.
Namun, karena volume sampel berlabel kecil dalam diagnosis
kesalahan, kedalaman model DL untuk diagnosis kesalahan hampir
mencapai 5 lapisan tersembunyi [14], yang membatasi akurasi
prediksi akhir mereka. Dibandingkan dengan model CNN tolok ukur
untuk ImageNet dengan ratusan lapisan, struktur metode DL untuk
diagnosis kesalahan sangat dangkal. Terlebih lagi, sulit untuk melatih
model CNN yang dalam tanpa sejumlah besar dataset pelatihan
yang terorganisir dengan baik seperti ImageNet dengan sepuluh juta
gambar beranotasi. Untuk menghadapi tantangan ini, beberapa
peneliti melatih model CNN yang mendalam di ImageNet dan
kemudian menerapkan model CNN yang terlatih sebagai ekstraktor
fitur ke kumpulan data kecil.
dalam domain lain [15] dengan menggabungkan dengan teknik
pembelajaran transfer [16]. Dan mereka telah mencapai hasil yang
baik.
Termotivasi oleh hal tersebut, penelitian ini mengusulkan Transfer
CNN (TCNN) baru menggunakan ResNet-50 sebagai ekstraktor fitur,
dinamakan sebagai TCNN (ResNet-50), untuk diagnosis kesalahan.
TCNN (ResNet-50) yang diusulkan memiliki kedalaman 51 lapisan.
Karena ResNet-50 memiliki kinerja yang sangat baik pada klasifikasi
citra [17], ResNet-50 dapat mengekstrak fitur citra berkualitas tinggi
pada ImageNet. Hipotesis kami adalah bahwa lapisan ekstraksi fitur
ResNet-50 juga akan bekerja dengan baik pada diagnosis kesalahan.
Dengan lapisan jaringan yang lebih dalam dan lapisan ekstraksi fitur
yang lebih baik, TCNN (ResNet-50) yang diusulkan akan meningkatkan
akurasi prediksi akhir pada diagnosis kesalahan.
TCNN (ResNet-50) yang diusulkan diuji pada tiga kumpulan data multi-tahap yang tepat. Han dkk. [26] mempelajari deep transfer
terkenal dan telah mencapai hasil yang signifikan dengan network (DTN) untuk diagnosis kesalahan, dan mencapai banyak
membandingkannya dengan model DL lainnya dan metode tradisional. Apa
hasil transfer canggih dalam hal kondisi operasi yang beragam,
lebih lanjut, model TCNN juga dilakukan pada CNN benchmark
terkenal lainnya, termasuk VGG-16, VGG-19, dan Inception-V3.
Hasilnya juga menunjukkan bahwa TCNN(Res Net-50) mengungguli
ketiga varian TCNN tersebut.
Sisa dari makalah ini disusun sebagai berikut. Bagian II membahas
karya-karya terkait. Bagian III menyajikan metodologi model
TCNN(ResNet-50) yang diusulkan.
Bagian IV menyajikan studi kasus. Kesimpulan dan penelitian masa
depan disajikan dalam Bagian V.
123
Komputasi Neural dan Aplikasi
2 Pekerjaan terkait
Pekerjaan terkait berisi diagnosis kesalahan berbasis data berbasis
pembelajaran mendalam, dan transfer fitur dengan menggunakan
jaringan CNN.
2.1 Diagnosis kesalahan berbasis data berbasis pembelajaran
mendalam
Dengan pesatnya perkembangan manufaktur cerdas, diagnosis
kesalahan berbasis data telah menjadi topik penelitian yang hangat
[11, 18].
Pembelajaran mendalam telah banyak diterapkan di bidang
diagnosis kesalahan. Wen dkk. [19] menyelidiki pembelajaran transfer
mendalam berbasis autoencoder (SAE) yang jarang untuk diagnosis
kesalahan dan mencapai akurasi setinggi 99,82%. Cho dkk. [20]
mempelajari deteksi kesalahan motor induksi menggunakan jaringan
saraf berulang dan pemodelan Bayesian dinamis.
Mereka melakukan percobaan waktu nyata dengan tiga motor dan
memperkirakan distribusi probabilitas untuk status motor dan
mengamati residu acak secara online. Matahari dkk. [21] menyelidiki
Autoencoder jarang bertumpuk untuk diagnosis kesalahan cerdas
dan hasilnya menunjukkan bahwa itu dapat menghasilkan klasifikasi
kesalahan yang lebih akurat daripada jaringan saraf dalam yang
biasa digunakan. Verma dkk. [22] membandingkan kinerja SAE
dengan regresi softmax, pengklasifikasi cepat berdasarkan jarak
Mahalanobis dan SVM dalam diagnosis kesalahan kompresor udara.
Jia et al. [23] mengusulkan SAE yang dinormalisasi dengan jaringan
koneksi lokal (NSAE-LCN) untuk diagnosis kesalahan mesin yang
cerdas dan NSAE-LCN mengungguli jaringan diagnosis yang umum
digunakan. Qi dkk. [24] mempelajari metode diagnosis kesalahan
berbasis SAE bertumpuk dengan dekomposisi mode empiris
ansambel, dan hasilnya menunjukkan bahwa metode ini dapat
mengekstrak lebih diskriminatif
fitur tingkat tinggi dan memiliki kinerja yang lebih baik. Gan dkk. [25]
menerapkan jaringan diagnosis hierarkis berbasis DBN (HDN) pada
diagnosis kesalahan bantalan elemen bergulir.
Hasilnya menunjukkan bahwa HDN sangat andal untuk diagnosis
tingkat keparahan kesalahan, dan jenis kesalahan.
Sebagai salah satu metode DL yang paling sukses, metode CNN
juga telah dipelajari secara luas untuk diagnosis kesalahan [27-29].
Wang dkk. [30] menyelidiki model CNN dalam yang adaptif.
Parameter utama ditentukan oleh pengoptimalan segerombolan
partikel, dan hasilnya memvalidasi bahwa metode yang diusulkan
lebih efektif dan kuat daripada metode cerdas lainnya. Guo dkk. [31]
menyelidiki CNN adaptif hierarkis dengan menambahkan laju
pembelajaran adaptif dan komponen momentum ke proses
pemutakhiran bobot. Lu dkk. [32] mempelajari CNN hierarkis ke
Machine Translated by Google
Komputasi Neural dan Aplikasi
diagnosis kesalahan cerdas bantalan gelinding dan hasilnya
menggambarkan keefektifan model CNN untuk kesalahan
klasifikasi bantalan gelinding. Xie dkk. [33] menyelidiki CNN
dengan dekomposisi mode empiris untuk diagnosis kesalahan.
Eksperimen dengan data getaran dari 52 kategori berbeda di
bawah kondisi mesin yang berbeda dilakukan, dan hasilnya
menunjukkan bahwa metode yang diusulkan lebih akurat dan
andal daripada pendekatan sebelumnya. Xia dkk. [34] mempelajari
CNN dengan beberapa sensor untuk diagnosis kesalahan.
Dibandingkan dengan pendekatan tradisional yang menggunakan
ekstraksi fitur manual, hasilnya menunjukkan metode berbasis
CNN mencapai kinerja diagnosis yang unggul.
Namun, seperti yang dinyatakan oleh Zhao et al. [14],
kedalaman model DL yang dikembangkan untuk diagnosis
kesalahan relatif dangkal, yang membatasi akurasi prediksi akhir
mereka. Pada penelitian ini dikembangkan model TCNN(ResNet-50) dilakukan pada VGG-16, VGG-19 dan Inception-V3, dan
baru yang memiliki 51 lapisan tersembunyi, dan dapat
meningkatkan akurasi prediksi akhir untuk diagnosis kesalahan.
2.2 Transfer fitur dengan menggunakan jaringan CNN
Karena volume sampel berlabel dalam diagnosis kesalahan relatif
kecil dibandingkan dengan sepuluh juta gambar beranotasi di
ImageNet, model DL untuk diagnosis kesalahan dangkal
dibandingkan dengan model CNN patokan di ImageNet. Namun,
sulit untuk melatih model CNN yang dalam tanpa sejumlah besar
dataset pelatihan yang terorganisir dengan baik seperti ImageNet,
jadi untuk melatih model CNN yang sangat dalam di bidang
diagnosis kesalahan hampir tidak mungkin dilakukan.
Untuk menghadapi tantangan ini, dengan mengambil model
CNN mendalam yang dilatih di ImageNet sebagai ekstraktor fitur,
model CNN ini juga dapat bekerja dengan baik pada data kecil di
domain lain [16]. Perlu dicatat bahwa data kecil ini bisa sama
sekali tidak relevan dengan ImageNet. Itu telah diselidiki di banyak
bidang. Donahue et al. [15] mempelajari bahwa lapisan
menengah dari model Decaf yang terlatih berfungsi sebagai fitur
gambar umum. Ren dkk. [35] menerapkan transfer fitur
berdasarkan Decaf untuk pemeriksaan permukaan secara
otomatis. Hasil metode yang diusulkan dibandingkan dengan
beberapa tolok ukur terbaik dalam literatur. Dalam tugas
klasifikasi, metode yang diusulkan meningkatkan akurasi sebesar
0,66–25,50%. Dalam tugas segmentasi, metode yang diusulkan
mengurangi tingkat error escape sebesar 6,00-19,00% dalam
tiga jenis cacat dan meningkatkan akurasi sebesar 2,29-9,86% di
semua tujuh jenis cacat. Wehrmann dkk. [36] menyelidiki deteksi
konten dewasa dengan memanfaatkan sepenuhnya CNN terlatih
melalui kumpulan data ImageNet, dan hasilnya menunjukkan
bahwa metode yang diusulkan secara signifikan mengungguli
pendekatan canggih sebelumnya untuk tugas ini. Shin dkk. [37]
menerapkan sembilan model CNN pra-terlatih siap pakai untuk
deteksi kelenjar getah bening (LN) thoraco-abdominal dan
penyakit paru interstitial (ILD)
klasifikasi, dan mencapai kinerja mutakhir. Janssens et al. [38]
menyelidiki pembelajaran transfer untuk mendeteksi berbagai
kondisi mesin menggunakan data pencitraan inframerah termal
dan mencapai akurasi 95% dan 91,67% untuk masing-masing
kasus penggunaan. Shao dkk. [39] mengusulkan metode
pembelajaran transfer mendalam baru dengan menggunakan
VGG16 dan membekukan tiga blok konvolusi pertama sebagai
ekstraktor fitur. Metode yang diusulkan diuji pada motor induksi,
kotak roda gigi, dan set data bantalan, dan mencapai hasil yang
canggih.
Penerapan metode transfer fitur dalam diagnosis kesalahan
masih sedikit. Dalam penelitian ini, TCNN (ResNet-50) dirancang
dengan menggunakan ResNet-50 yang dilatih di ImageNet
sebagai ekstraktor fitur untuk diagnosis kesalahan. Hipotesis kami
adalah bahwa lapisan ekstraksi fitur ResNet-50 juga akan bekerja
dengan baik di bidang diagnosis kesalahan. Struktur TCNN juga
dibandingkan dengan TCNN (ResNet-50). Jaringan ResNet-50,
VGG-16, VGG-19 dan Inception-V3 yang terlatih dapat ditemukan
di situs web Aplikasi Keras: https://keras.io/appli cations/.
3 Usulan TCNN untuk diagnosis kesalahan
Bagian ini menyajikan TCNN (ResNet-50) yang diusulkan untuk
diagnosis kesalahan. Pertama, metode konversi sinyal-ke-
gambar kesalahan disajikan. Kemudian, struktur TCNN(ResNet-50)
ditampilkan. Ketiga, diberikan metode evaluasi kinerja. Terakhir,
metode pelatihan TCNN (ResNet-50) disajikan.
3.1 Metode konversi sinyal-ke-gambar kesalahan
Meskipun ada banyak model CNN 1D yang harus ditangani
dengan sinyal domain waktu secara langsung dalam diagnosis
kesalahan, model CNN 2D masih panas dalam diagnosis
kesalahan. Dalam beberapa skenario, sinyal mesin dapat
disajikan dalam bentuk 2D untuk mat. Ada beberapa metode konversi dari 1D ra
sinyal ke gambar 2D. Chong [40] mengonversi sinyal getaran 1D
menjadi gambar abu-abu 2D, yang dapat secara efektif
mengekstrak fitur dari kondisi kesalahan motor induksi. Kang dan
Kim [41] mengusulkan metode representasi gambar 2D
berdasarkan gelombang Shannon untuk mengidentifikasi
kesalahan mesin induksi. Lu dkk. [42] mengusulkan konversi dari
sinyal ke gambar 2D menggunakan bi-spektrum, dan kemudian
mengklasifikasikan gambar untuk mengenali jenis kesalahan.
Model CNN yang dilatih di ImageNet dapat digunakan sebagai
ekstraktor fitur luar biasa untuk tugas klasifikasi lainnya.
Namun, jenis gambar di ImageNet adalah gambar RGB, yaitu
format 3D. Oleh karena itu, mengubah sinyal kesalahan domain
waktu ke gambar format 3D RGB sangat penting untuk
menggunakan jaringan mereka untuk diagnosis kesalahan. Pada subbab ini, a
123
Machine Translated by Google
metode signal-to-image kesalahan baru dikembangkan berdasarkan metode
signal-to-gray yang diusulkan oleh Chong [40].
Dalam metode signal-to-gray, sinyal domain waktu yang dikumpulkan
tersegmentasi untuk menghasilkan sampel sinyal untuk jenis gangguan yang
berbeda. Biarkan N menunjukkan jumlah total sampel, mm menunjukkan
ukuran gambar abu-abu. Li(a), i = 1,….N, a = 1,…,m2 menunjukkan nilai
kekuatan sampel sinyal. GP(j,k),
, j = 1,…,m, k = 1,…,m menunjukkan kekuatan
piksel dari citra abu-abu. Kemudian, signal-to-gray dapat dirumuskan dengan
Persamaan. (1). ð L j ð Þ Þ 1 m þ k Minð Þ L GPð Þ¼ j; k Maxð Þ L Minð Þ L
255 ð1Þ
Berbeda dengan citra abu-abu 2D, citra RGB adalah format matriks 3D.
Biarkan RGBPixel(j,k,p), p = 1,2,3, menunjukkan matriks RGB 3D. Dimensi
ketiga adalah saluran merah (p = 1), hijau (p = 2) dan biru (p = 3).
Metode sinyal-ke-gambar kesalahan ditunjukkan pada Gambar. 1.
Setelah melakukan segmentasi untuk menghasilkan sampel sinyal kesalahan,
metode konversi dapat dirumuskan dengan Persamaan. (2)–(4).
Persamaan (2) mengonversi sampel sinyal kesalahan domain waktu L
menjadi matriks dasar BM. Kemudian, BM akan dinormalisasi dengan nilai
maksimum dan minimum dari seluruh sampel, seperti yang ditunjukkan pada
Persamaan. (3). Akhirnya, RGBPixel akan diperoleh dengan Persamaan. (4).
Elemen merah, hijau, dan biru RGBPixel sama satu sama lain, dan nilai
pikselnya diskalakan ke 0–255.
BMið Þ¼ j; k LiðÞ j 1ð ÞM þ k ð 2Þ
BMið Þ j; k Mini;j;k BMi ð ð Þ j; kÞ
NMið Þ¼ j; k ð3Þ
Maxi;j;k BMi ð ð Þ j; kÞ Mini;j;k BMi ð ð Þ j; kÞ
RGBPixelið Þ¼ j; k; p NMiðj; kÞ 255; hal ¼ 1; 2; 3 ð4Þ
Metode konversi ini hanya berisi satu parameter hiper, yaitu ukuran gambar
m. Namun, m akan dianalisis dan ditentukan dengan validasi silang, yang
dapat mengurangi efek bias ahli pada diagnosis kesalahan sebanyak mungkin.
3.2 Struktur TCNN(ResNet-50).
Karena volume sampel berlabel dalam diagnosis kesalahan relatif kecil
dibandingkan dengan sepuluh juta gambar beranotasi di ImageNet, sulit
untuk melatih model CNN yang sangat dalam untuk diagnosis kesalahan,
yang membatasi akurasi prediksi model CNN untuk diagnosis kesalahan.
Namun, dengan menggabungkan teknik pembelajaran transfer [16], model
CNN mendalam yang dilatih di ImageNet juga dapat bekerja dengan baik
pada data kecil di domain lain [15], termasuk bidang diagnosis kesalahan.
Dalam penelitian ini, kami mentransfer ResNet-50 yang dilatih di ImageNet
ke bidang diagnosis kesalahan.
ResNet-50 dapat dengan mudah mendapatkan akurasi seiring dengan
peningkatan kedalaman yang sangat besar. Sejak ResNet-50 memiliki sangat baik
123
Komputasi Neural dan Aplikasi
kinerja klasifikasi gambar, dan dapat mengekstraksi fitur gambar berkualitas
tinggi, hipotesis kami adalah bahwa lapisan ekstraksi fitur ResNet-50 juga
akan bekerja dengan baik di bidang diagnosis kesalahan.
3.2.1 Blok bangunan sisa
Residual building block (RBB) adalah elemen paling vital dalam ResNet-50.
RBB didasarkan pada gagasan melewatkan blok lapisan konvolusional
dengan menggunakan koneksi pintasan. Pintasan ini berguna untuk
mengoptimalkan parameter yang dapat dilatih dalam backpropagation
kesalahan untuk menghindari masalah gradien menghilang/meledak, yang
dapat membantu membangun struktur CNN yang lebih dalam untuk
meningkatkan kinerja akhir untuk diagnosis kesalahan.
RBB terdiri dari beberapa lapisan convolutional (Conv), normalisasi batch
(BN), fungsi aktivasi Relu dan satu pintasan. Ada dua struktur RBB yang
berbeda yang dilambangkan dengan RBB-1 dan RBB-2 dalam penelitian ini,
seperti yang ditunjukkan pada Gambar 2. Baik RBB-1 dan RBB-2 memiliki
tiga lapisan Conv dan BN. Tapi jalan pintas di RBB-1 adalah identitas x,
seperti yang ditunjukkan pada Gambar. 2a. Biarkan F menunjukkan fungsi
nonlinier untuk jalur konvolusional dalam RBB-1, output dari RBB-1 dapat
dirumuskan dalam Persamaan. (5). Gambar 2b menyajikan struktur RBB-2.
Pintasan berisi satu lapisan Conv dan BN alternatif. Biarkan H menunjukkan
jalan pintas, dan output dari RBB-2 dapat dirumuskan dalam Persamaan. (6).
y ¼ F xð Þþ xy ¼ F xð Þþ H xðÞ
ð5Þ
ð6Þ
Beberapa blok RBB-1 dan RBB-2 ditumpuk setelah lapisan konvolusi pertama
di ResNet-50. Model ResNet-50 dipublikasikan di [17], dan diterapkan dalam
penelitian ini.
3.2.2 Transfer bersandar menggunakan ResNet-50
Struktur TCNN (ResNet-50) yang diusulkan disajikan pada Gambar. 3. Kami
mentransfer 49 lapisan pertama ResNet 50 (Ada 1 ? 16 * 3 = 49 lapisan
Conv pada Gambar. 3).
Kemudian, lapisan yang terhubung sepenuhnya (FC) dan pengklasifikasi
softmax ditambahkan ke ResNet-50 agar sesuai dengan label kelas kesalahan
kumpulan data diagnosa. Perlu dicatat bahwa kedalaman TCNN(ResNet-50)
adalah 51 lapisan. Dengan lapisan jaringan yang lebih dalam dan lapisan
ekstraksi fitur yang lebih baik, TCNN (ResNet-50) yang diusulkan akan
meningkatkan akurasi prediksi akhir pada diagnosis kesalahan.
TCNN(ResNet-50) menerapkan ResNet-50 untuk mengekstraksi fitur dari
gambar yang dikonversi yang dihasilkan dalam metode sinyal ke gambar.
Kemudian, fitur-fitur ini akan dilatih untuk klasifikasi kesalahan. Ukuran output
pada 49-lapisan ResNet 50 adalah 2048. Biarkan FResNet menunjukkan
fungsi nonlinear dari ResNet-50, y_fi,j menunjukkan fitur yang diekstrak dari
Machine Translated by Google

Komputasi Neural dan Aplikasi

Gbr. 1 Metode konversi sinyal-

ke-gambar kesalahan

Gbr. 2 Blok bangunan sisa

123
Machine Translated by Google

Komputasi Neural dan Aplikasi

Nt
1
Rek ¼ X 1 Yt ¼¼ Ybt ð10Þ
Nt N
saya¼1
oh!:

3.4 Prosedur TCNN (ResNet-50) yang diusulkan untuk

diagnosis kesalahan

Gambar 3 Struktur TCNN(ResNet-50)

Diagram alir TCNN(ResNet-50) ditunjukkan pada Gambar 4.
Ada tiga langkah utama sebagai berikut.
RGBPixeli, j = 1…2048. Proses transfer dapat dilambangkan
3.4.1 Pemrosesan awal data
dengan Persamaan.

(7). y fij ¼ FResNetðRGBPixeliÞ: ð7Þ

Pada langkah ini, sinyal kesalahan domain waktu Li akan dikonversi menjadi
gambar RGB RGBPixeli seperti yang ditunjukkan pada Persamaan. (2)–(4).
Karena ukuran input pada ResNet-50 adalah 224 9 224 dan ukuran
3.3 Evaluasi kinerja menggunakan validasi
silang gambar yang dikonversi adalah mm, maka akan dilakukan operator
pengubahan ukuran pada gambar RGB yang dikonversi.

Cross-validation (CV) adalah teknik yang populer untuk

3.4.2 Struktur inisialisasi TCNN(ResNet-50)
mendapatkan evaluasi kinerja yang handal dari fault classifier
[43]. K fold CV adalah teknik teknik CV yang paling populer. Ini
membagi seluruh data menjadi subsampel K dengan sampel Inisialisasi struktur ResNet-50 dan kembalikan bobot yang
N/K kardinalitas yang kira-kira sama. Setiap subsampel berturut- telah dilatih sebelumnya ke ResNet-50. Kemudian,
turut memainkan peran validasi dataset, sedangkan subsampel tambahkan lapisan pengklasifikasi FC dan softmax. Pada
K - 1 lainnya digunakan untuk melatih pengklasifikasi kesalahan. penelitian ini, jumlah neuron tersembunyi pada lapisan FC
Rauber dkk. [43] menerapkan validasi silang sepuluh kali lipat adalah 128, dan softmax ditentukan sesuai kelas label dari
dataset diagnosis kesalahan.
bersama dengan pemilihan fitur untuk mengoptimalkan sistem
diagnosis kesalahan. Han dkk. [44] menerapkan validasi
silang lima kali lipat dengan JST dan SVM untuk diagnosis 3.4.3 Pelatihan TCNN(ResNet-50)
cerdas mesin berputar. Zhu dkk. [45] menerapkan validasi
silang lima kali lipat pada diagnosis kesalahan bantalan rol. Ambil RGBPixeli sebagai input untuk mendapatkan fiturnya
Dalam penelitian ini, CV sepuluh kali lipat 10 kali diterapkan y_fi,j. Dan latih lapisan pengklasifikasi FC dan softmax yang
untuk mencapai evaluasi kinerja TCNN (ResNet-50) yang andal baru ditambahkan untuk klasifikasi kesalahan. Selama proses
pelatihan diterapkan teknik dropout dan aturan L2.
pada diagnosis kesalahan. Misalkan Yv dan Ybv menunjukkan
label aktual dan prediksi pada dataset validasi, dan Nv adalah
nomor sampel dari dataset validasi. 4 Studi kasus dengan hasil
Keakuratan pengklasifikasi kesalahan (Accm) disajikan oleh
Persamaan. (8). Keakuratan CV (Acccv) adalah rata-rata 10
Pada bagian ini, tiga studi kasus dilakukan untuk mengevaluasi
kali sepuluh kali lipat, dan dapat ditunjukkan oleh Persamaan. (9).
kinerja TCNN (ResNet-50). Model yang diusulkan
Nv
1 diimplementasikan oleh Python 3.5 dengan Keras menggunakan
Akum ¼ X 1 Yv ¼¼ Ybv ð8Þ
Nv N TensorFlow sebagai backend, dan dijalankan di Ubuntu dengan
saya¼1
o!
GPU Titan XP.
10 10
1
Accv ¼
10 10 X X Akui; jÞ ð9Þ
saya¼1 j¼1
4.1 Kasus 1: Dataset bantalan KAT

Setelah menyelesaikan proses CV, classifier kesalahan yang
diperoleh akan dievaluasi oleh dataset pengujian terpisah lainnya.
Nyatakan Yt dan Ybt sebagai label aktual dan prediksi pada kumpulan
data pengujian, Nt adalah nomor sampel dari kumpulan data pengujian.
Akurasi prediksi akhir (Acc) dari pengklasifikasi kesalahan diberikan
oleh Persamaan. (10).
4.1.1 Deskripsi data
Pada subbab ini, TCNN (ResNet-50) yang diusulkan
dilakukan pada pemantauan kondisi dataset kerusakan
bantalan yang disediakan oleh pusat data KAT di
Universitas Paderborn [46]. Perangkat keras percobaan
ini ditunjukkan pada [46], dan ada 15 dataset dan dapat

123
Machine Translated by Google

Komputasi Neural dan Aplikasi

Gambar 4 Diagram alir TCNN (ResNet-50) yang diusulkan

perlu dicatat bahwa kerusakan dataset ini adalah kerusakan nyata yang
Tabel 1 Kategorisasi kumpulan data untuk Kasus 1 disebabkan oleh pengujian masa pakai yang dipercepat.
Sehat (Kelas 1) Kerusakan cincin luar Kerusakan cincin bagian dalam

(Kelas 2) (Kelas 3) 4.1.2 Analisis parameter dengan sepuluh kali lipat CV

K001 KA04 KI04

Pengaruh m pada akurasi prediksi dipelajari. Nilai m diatur masing-
K002 KA15 KI14
masing menjadi 32, 40, 48, 56 dan 64.
K003 KA16 KI16
TCNN dilakukan pada ResNet-50 serta VGG-16, VGG-19 dan Inception-
K004 KA22 KI18
V3. Implementasi dari semua varian TCNN, termasuk TCNN(ResNet-50),
K005 KA30 KI21
TCNN(VGG-16), TCNN(VGG-19) dan TCNN(Inception V3), adalah 10
kali CV sepuluh kali lipat, dan deviasi rata-rata dan standar Acccv adalah
diambil sebagai istilah perbandingan untuk analisis. Hasilnya ditunjukkan
Tabel 2 Empat parameter operasi dalam Kasus 1 pada Tabel 3 dan 4; Gambar. 5 dan 6.
TIDAK. Kecepatan rotasi Memuat torsi Kekuatan radial

0 1500 0,7 1000

1 900 0,7
2 1500 0,1
3 1500 0,7
dikategorikan dalam tiga klasifikasi sehat seperti yang ditunjukkan pada
Tabel 1. Seri K0 (K001 * K005) adalah kondisi sehat, seri KA (KA04,
KA15, KA16, KA22, KA30) adalah ring bantalan luar yang rusak dan KI
seri (KI04, KI14, KI16, KI18, KI21) adalah cincin bantalan bagian dalam
yang rusak. Eksperimen dilakukan dengan empat parameter operasi
yang berbeda, dan parameter operasi ditunjukkan pada Tabel 2. Setiap
percobaan dilakukan 20 kali pengulangan dan sinyal getaran dikumpulkan
untuk analisis, dan laju pengambilan sampel adalah 64 kHz. Dia
Selama proses pelatihan, parameter TCNN(ResNet-50),
1000
TCNN(VGG-16), TCNN(VGG-19) dan TCNN(Inception-V3) adalah sama.
1000
Pengoptimal Adam dengan peluruhan langkah laju pembelajaran
400
digunakan. Tingkat pembelajaran awal adalah 0,001, dan pembusukan
adalah 0,95. Bobot regulasi L2 adalah 1e-5, dan angka putus sekolah
adalah 0,5.
Dari Tabel 3 diperoleh nilai Acccv dari TCNN(ResNet-50) adalah
95.30%, 97.20%, 98.63%, 98.66% dan 98.97% dengan nilai m yang
berbeda. Ketika m [48, peningkatan akurasi prediksi TCNN (ResNet-50)
menjadi lambat, dan kinerja TCNN (ResNet-50) mencapai yang terbaik
ketika m adalah 64. Seperti ditunjukkan pada Gambar 5, dengan
peningkatan m, akurasi prediksi semua varian TCNN lebih baik.
Tetapi pada setiap nilai m tertentu, hasil TCNN(ResNet-50) lebih baik
daripada TCNN(VGG-16), TCNN(VGG-19) dan TCNN(Inception-V3).

Tabel 3 Hasil validasi silang

TCNN (ResNet-50) TCNN (VGG-16) TCNN (VGG-19) TCNN (Pendahuluan-V3)
Acccv dari m dan
Varian TCNN dalam Kasus 1 (%) m = 32 95,30 ± 0,0368 90,40 ± 0,1827 88,27 ± 0,1499 87,78 ± 0,0372
m = 40 97,20 ± 0,0097 94,78 ± 0,0424 93,07 ± 0,1301 90,76 ± 0,0424
m = 48 98,63 ± 0,0109 96,32 ± 0,0452 94,82 ± 0,0964 91,08 ± 0,0952
m = 56 98,66 ± 0,0143 97,11 ± 0,0947 94,28 ± 0,1178 92,23 ± 0,1919
m = 64 98,97 ± 0,0121 97,27 ± 0,0437 95,92 ± 0,0967 93,68 ± 0,1345

123
Machine Translated by Google

Komputasi Neural dan Aplikasi

Tabel 4 Hasil Acc varian TCNN pada Kasus 1 (%) TCNN (ResNet-50) stabil. Gambar 6 menyajikan kurva
konvergensi dari empat varian TCNN. Dari hasil tersebut terlihat
Metode Maks Min Berarti SD
bahwa TCNN(ResNet-50) memiliki kecepatan konvergensi
TCNN(ResNet-50) 98.96 98.94 98,95 0,0074 tercepat diantara keempat varian TCNN tersebut.
TCNN(VGG-16) 97.38 97.26 97.32 0,0410

TCNN(VGG-19) 96.07 95.69 95.90 0,1064 4.1.3 Hasil dan perbandingan dengan metode lain
TCNN (Pendahuluan-V3) 93.97 93.50 93.77 0,1366

TCNN (ResNet-50) yang diusulkan dibandingkan dengan

metode lain yang disediakan di [46]. Mereka adalah pohon
klasifikasi dan regresi (CART), hutan acak (RF), Boosted Trees
(BT), jaringan saraf (NN), mendukung mesin vektor dengan
parameter yang disetel secara optimal menggunakan optimasi
kawanan partikel (SVM-PSO), mesin pembelajaran ekstrim
( ELM), k-nearest neighbor (KNN) dan algoritma ansambelnya
menggunakan suara terbanyak (Ensemble). Hasil perbandingan
metode ini diambil langsung dari literatur, dan pengaturan
parameternya dapat dilihat pada [46]. Hasil perbandingan
disajikan pada Tabel 5.
Hasil menunjukkan bahwa TCNN(ResNet-50) telah mencapai
hasil yang baik, dan akurasi prediksinya adalah 98,95%. Hasil
CART, RF, BT, NN, SVM-PSO, ELM, KNN dan Ensemble
berturut-turut adalah 98,3%, 98,3%, 83,3%, 44,2%, 75,8%,
60,8%, 62,5% dan 98,3%. Hasil ini memvalidasi kinerja TCNN
(ResNet-50).

Gambar 5 Efek m pada Acccv di bawah varian TCNN berbeda dalam Kasus 1 4.2 Kasus 2: Dataset bantalan motor CWRU

4.2.1 Deskripsi data

Dalam studi kasus ini, model TCNN yang diusulkan diuji pada
data bearing motor yang terkenal, dan detail dari dataset ini
dapat ditemukan di Case Western Reserve University (CWRU)
[47]. Aparatus ditunjukkan pada Gambar. 7. Data sinyal getaran
dikumpulkan untuk bantalan normal, ujung penggerak satu titik
dan cacat ujung kipas. Namun dalam penelitian ini, sinyal
getaran drive end diterapkan. Frekuensi pengambilan sampel
adalah 12 kHz. Bantalan berisi tiga jenis kesalahan, dan
dilambangkan dengan kesalahan roller (RF), kesalahan balapan
luar (OF) dan kesalahan balapan dalam (IF). Setiap jenis kesalahan memiliki

Tabel 5 Hasil Perbandingan dengan Metode Lain pada Kasus 1 (%)

Metode Akurasi yang berarti

Gambar 6 Kurva konvergensi dari empat varian TCNN pada Kasus 1 TCNN(ResNet-50) 98,95
KERANJANG 98.3
Tabel 4 menyajikan hasil Acc dari empat varian TCNN. m RF 98.3
diatur menjadi 64. Maksimum (maks), minimum (min), rata-rata BT 83.3
dan standar deviasi (std) diberikan. Maks, min, rata-rata, dan NN 44.2
std TCNN(ResNet-50) adalah 98,96%, 98,94%, 98,95%, dan SVM-PSO 75.8
0,074, dan TCNN(ResNet-50) mengungguli TCNN(VGG-16), ELM 60.8
TCNN(VGG-19) dan TCNN (Inception V3) dalam semua istilah KNN 62.5
perbandingan. Std dari TCNN(ResNet-50) adalah nilai kecil Ansambel 98.3
yang menunjukkan bahwa prediksi

123
Machine Translated by Google

Komputasi Neural dan Aplikasi

Tabel 8 Hasil Acc varian TCNN pada Kasus 2 (%)

Metode Maks Min Berarti SD

TCNN(ResNet-50) 99,99 99,99 99,99 0

TCNN(VGG-16) 99,99 99,97 99,98 0,0071

TCNN(VGG-19) 99,99 99,98 99,99 0,0013

TCNN (Pendahuluan-V3) 99,97 99,95 99,96 0,0036

Gambar 7 Peralatan percobaan pada Kasus 2

Tabel 6 Beban motor dan perkiraan kecepatan dalam Kasus 2

Beban motor (HP) Kira-kira kecepatan motor (rpm)

0 1797
1 1772
2 1750
3 1730

tiga ukuran kerusakan yang berbeda, dan ukuran

kerusakannya adalah 0,18, 0,36 dan 0,54 mm. Oleh karena
itu, secara keseluruhan terdapat sepuluh kondisi sehat,
termasuk sembilan kondisi patahan dan kondisi normal
(NO). Dataset eksperimental dikumpulkan dalam empat
kondisi beban kerja (0, 1, 2, 3 hp), dan kondisi beban kerja
serta perkiraan kecepatan disajikan pada Tabel 6.
4.2.2 Analisis parameter dengan sepuluh kali lipat CV
Subbagian ini menyajikan efek m pada varian TCNN, dan
nilai m diatur menjadi 32, 48, 64, 80, 96, 112 dan 128. Semua
varian TCNN dilakukan menggunakan 10 kali lipat CV. Hasil
perbandingan disajikan pada Tabel 7 dan 8; Gambar. 8 dan
9. Parameter TCNN(ResNet-50), TCNN(VGG-16),
TCNN(VGG-19) dan TCNN(Inception-V3) sama dengan
Kasus 1.
Dari Tabel 7 terlihat bahwa TCNN(ResNet-50) mencapai
Acccv terbaik ketika m adalah 96. Sedangkan TCNN(VGG
Gbr. 8 Efek m pada Acccv di bawah varian TCNN berbeda dalam Kasus 2
16) paling baik jika m bernilai 96, TCNN(VGG-19) dan
TCNN(Inception-V3) paling baik jika m bernilai 128. Seperti
ditunjukkan pada Gambar 8, dapat dilihat bahwa
TCNN(ResNet-50) selalu lebih baik dari tiga varian TCNN
lainnya dengan nilai m yang sama. TCNN(VGG-16) sedikit
lebih rendah daripada TCNN(Res Net-50) tetapi lebih baik
daripada TCNN(VGG-19) dan TCNN(Dalam persepsi-V3).
Hasil ini memvalidasi kinerja TCNN (ResNet-50).
Pada Tabel 8, m diatur menjadi 96. Nilai Acc dari
TCNN(VGG-16), TCNN(VGG-19) dan TCNN(Inception V3)
adalah 99,98% ± 0,0071, 99,99% ± 0,0013 dan 99,96% ±
0,0036, masing-masing. 99,99% ± 0,0013 disajikan dengan
alasan bulat. Sedangkan TCNN(ResNet-50) adalah 99,99%
± 0. Hasil Acc dari TCNN(ResNet-50) sangat kompetitif, dan
mengungguli TCNN(VGG-16),

Tabel 7 Hasil validasi silang

TCNN(ResNet-50) TCNN(VGG-16) TCNN(VGG-19) TCNN (Pendahuluan-V3)
Acccv dari m dan
Varian TCNN dalam Kasus 2 (%) m = 32 99,40 ± 0,0193 98,28 ± 0,0307 98,16 ± 0,0638 97,64 ± 0,0574
m = 48 99,75 ± 0,0136 99,49 ± 0,0184 99,17 ± 0,0428 99,20 ± 0,0359
m = 64 99,95 ± 0,0078 99,85 ± 0,0319 99,67 ± 0,0171 99,68 ± 0,0223
m = 80 99,95 ± 0,0095 99,96 ± 0,0122 99,91 ± 0,0165 99,96 ± 0,0115
m = 96 100 – 0 99,99 ± 0,0066 99,92 ± 0,0201 99,93 ± 0,0098
m = 112 100 ± 0 99,99 – 0,0055 99,97 ± 0,0059 99,96 ± 0,0113
m = 128 100 ± 0 99,98 ± 0,0043 99,98 – 0,0110 99,98 – 0,0065

123
Machine Translated by Google
Gambar 9 Kurva konvergensi dari empat varian TCNN pada Kasus 2
TCNN(VGG-19) dan TCNN(Inception-V3). Gambar 9 menyajikan
kurva konvergensi dari varian TCNN. Dari hasil tersebut terlihat
bahwa keempat varian TCNN memiliki kecepatan konvergensi
yang hampir sama, dan TCNN (ResNet-50) memiliki sedikit
keunggulan dibandingkan varian TCNN lainnya.
4.2.3 Hasil dan perbandingan dengan metode lain
TCNN (ResNet-50) yang diusulkan dibandingkan dengan metode
berbasis DL terkenal lainnya dan metode berbasis CNN lainnya.
Mereka adalah SAE yang dinormalisasi (NSAE-LCN) dari Jia et al.
[23], autoencoder jarang bertumpuk (SSAE) dari Qi et al. [24], filter
jarang dari Lei et al. [48], jaringan kepercayaan mendalam (DBN)
membentuk Gan et al. [25], CNN mendalam dari Wang et al. [30],
adaptive deep convolution neural network (ADCNN) dari Guo et
al. [31], jaringan konvolusional hierarkis (CNN-1) membentuk Lu et
al. [32], jaringan saraf konvolusional dan dekomposisi mode
empiris (CNN-2) dari Xie et al. [33] dan CNN menggunakan
beberapa sensor (CNN-3) dari Xia et al. [34] Hasil perbandingan
TCNN(ResNet 50) disajikan pada Tabel 9 dan 10.
TCNN(ResNet-50) yang diusulkan memperoleh hasil yang baik.
Akurasi prediksi rata-rata setinggi 99,99%. Dari Tabel 9 terlihat
bahwa rata-rata hasil prediksi NSAE-LCN, SSAE, Sparse filter dan
DBN adalah 99,92%,
Tabel 9 Perbandingan dengan Metode
Akurasi yang berarti
metode DL lain pada Kasus 2 (%)
TCNN 99,99
NSAE-LCN 99.92
SSAE 99,85
Filter jarang 99.66
DBN 99.03
123
Komputasi Neural dan Aplikasi
Tabel 10 Perbandingan dengan Metode Akurasi yang berarti
metode CNN lainnya pada Kasus
2 (%) TCNN 99,99
Jauh CNN 99.71
ADCNN 98.1
CNN-1 92.60
CNN-2 99,75
CNN-3 99.41
99,85%, 99,66% dan 99,03%. TCNN(Res Net-50) yang diusulkan
lebih unggul dari mereka.
Dari Tabel 10, lima metode diagnosis kesalahan berbasis CNN
dipilih untuk perbandingan. Akurasi prediksi Deep CNN, ADCNN,
CNN-1, CNN-2 dan CNN-3 adalah 99,71%, 98,1%, 92,60%,
99,75%, dan 99,41%. TCNN(Res Net-50) mengungguli hasil ini,
yang menunjukkan kinerja TCNN(ResNet-50) yang baik untuk
diagnosis kesalahan.
4.3 Kasus 3: Dataset pompa sentrifugal self-
priming
4.3.1 Deskripsi data
Dalam studi kasus ini, metode model TCNN yang diusulkan
dilakukan pada dataset pompa sentrifugal self-priming dari Lu et
al. [42]. Sistem akuisisi data pompa sentrifugal self priming
ditunjukkan pada Gambar. 10. Sensor percepatan dipasang di
atas rumah motor, dan sinyal getaran dikumpulkan untuk analisis
lebih lanjut. Dalam studi kasus ini, kecepatan putaran adalah 2900
rpm, dan frekuensi sampling sinyal getaran adalah 10239 Hz.
Kondisi gangguan meliputi keausan roller bearing (BR), keausan
inner race (IR), keausan outer race (OR), dan kondisi kerusakan
impeller wear (IW). Ada satu kondisi normal (NO), jadi ada lima
kondisi sehat untuk dataset ini.
4.3.2 Analisis parameter dengan sepuluh kali lipat CV
Pengaruh m pada akurasi prediksi akhir varian TCNN dipelajari
dalam subbagian ini. Nilai m ditetapkan menjadi 32, 48, 64, 80 dan
96. Implementasi semua varian TCNN adalah 10 kali lipat CV
sepuluh kali, dan hasil perbandingan disajikan pada Tabel 11 dan
12 ; Gambar. 11 dan 12. Parameter TCNN(ResNet-50), TCNN(VGG
16), TCNN(VGG-19) dan TCNN(Inception-V3) sama dengan
Kasus 1 dan Kasus 2.
Dari Tabel 11, TCNN(ResNet-50) mendapatkan rata-rata dan
standar deviasi Acccv yang lebih baik daripada tiga varian TCNN
lainnya dengan nilai m yang sama. M terbaik adalah 80 untuk
semua varian TCNN, dan akhirnya, TCNN (ResNet-50) mencapai
setinggi 100% ± 0. Seperti ditunjukkan pada Gambar 11 , dapat
Machine Translated by Google

Komputasi Neural dan Aplikasi

Gbr. 10 Sistem akuisisi data

pompa sentrifugal self-priming
dalam Kasus 3

terlihat bahwa TCNN (ResNet-50) mengungguli tiga varian Tabel 12 Hasil Acc varian TCNN pada Kasus 3 (%)
TCNN lainnya. TCNN(VGG-16) memiliki kinerja yang mirip Metode Maks Min Berarti SD
dengan TCNN(VGG-19), dan kinerjanya lebih unggul dari
TCNN(Inception-V3). TCNN(ResNet-50) 99.20 99.20 99.20 0

Pada Tabel 12, m diatur menjadi 80. Nilai Acc dari TCNN(VGG-16) 99.07 99.03 99,05 0,0144

TCNN(VGG-16), TCNN(VGG-19) dan TCNN(Inception V3) TCNN(VGG-19) 98,99 98,95 98.97 0,0124

masing-masing adalah 99,05% ± 0,0144, 98,97% ± 0,0124 TCNN (Pendahuluan-V3) 98.59 98.46 98.54 0,0422

dan 98,54% ± 0,0422, sedangkan TCNN(Res Net-50)

adalah 99,20% ± 0. Hasil Acc dari TCNN(ResNet 50)
mengungguli TCNN(VGG-16), TCNN(VGG-19) dan
TCNN(Inception-V3). Gambar 12 menyajikan kurva
konvergensi dari varian TCNN. Dari hasil tersebut terlihat
bahwa keempat varian TCNN memiliki kecepatan
konvergensi yang hampir sama, dan TCNN (ResNet-50)
memiliki sedikit keunggulan dibanding varian TCNN lainnya.

4.3.3 Hasil dan perbandingan dengan metode lain

TCNN (ResNet-50) yang diusulkan dibandingkan dengan

Spee ded Up Robust Features based Probabilistic Neural
Net work (PNN berbasis SURF) dari Lu et al. [42], dan hasil
perbandingan disajikan pada Tabel 13.
Nilai maksimum prediksi PNN berbasis SURF adalah
100%, lebih baik dari TCNN (ResNet-50), sedangkan rata-
rata akurasi prediksi TCNN (ResNet-50) adalah 99,20%, dan
mengungguli PNN berbasis SURF. Hasil prediksi
TCNN(ResNet-50) stabil, karena standar deviasi (std)
Gambar 11 Efek m pada Acccv di bawah varian TCNN berbeda dalam Kasus 3
TCNN(ResNet-50) adalah 0 dalam studi kasus ini.

Tabel 11 Hasil validasi silang

TCNN(ResNet-50) TCNN(VGG-16) TCNN(VGG-19) TCNN (Pendahuluan-V3)
Acccv dari m dan
Varian TCNN dalam Kasus 3 (%) m = 32 98,57 ± 0,0574 93,96 ± 0,1423 94,68 ± 0,1174 90,87 ± 0,1839
m = 48 99,70 ± 0,0291 97,12 ± 0,0780 97,62 ± 0,0861 94,68 ± 0,0767
m = 64 100 – 0 99,63 ± 0,0277 99,78 ± 0,0129 98,51 ± 0,0769
m = 80 100 – 0 99,85 – 0,0145 99,79 – 0,0226 99,62 – 0,0414
m = 96 99,98 ± 0,0106 99,81 ± 0,0230 99,51 ± 0,0381 99,32 ± 0,0375

123
Machine Translated by Google
Gambar 12 Kurva konvergensi dari empat varian TCNN pada Kasus 3
Tabel 13 Perbandingan dengan PNN Berbasis SURF (%)
Metode TCNN(ResNet-50) PNN berbasis SURF
Maks 99.20 100
Min 99.20 96
Berarti 99.20 98.33
SD 0 1.7164
4.3.4 Diskusi
Dalam studi kasus, parameter kunci, m, ditentukan dengan validasi
silang. TCNN(ResNet-50) dilakukan pada tiga kumpulan data terkenal
dan telah mencapai hasil yang baik:
1. Dikombinasikan dengan pembelajaran transfer, kedalaman TCNN
(ResNet-50) adalah 51 lapisan. ResNet-50 dapat dengan mudah
mendapatkan akurasi seiring dengan peningkatan kedalaman yang
sangat besar. Dengan struktur jaringan yang lebih dalam,
TCNN(ResNet 50) dapat mencapai hasil yang lebih baik untuk
diagnosis kesalahan. Dari studi kasus, akurasi prediksi TCNN
(ResNet-50) pada tiga studi kasus setinggi 98,95% ± 0,0074,
99,99% ± 0, dan 99,20% ± 0, yang mengungguli model DL terkenal
lainnya dan metode tradisional.
2. ResNet-50 memiliki kinerja yang sangat baik pada klasifikasi citra
dan dapat mengekstrak fitur citra berkualitas tinggi, lapisan
ekstraksi fitur ResNet-50 juga akan bekerja dengan baik pada
diagnosis kesalahan. Dari hasil tersebut, terlihat bahwa
TCNN(ResNet-50) mengungguli TCNN(VGG-16), TCNN(VGG-19)
dan TCNN(Inception-V3) baik dalam akurasi prediksi rata-rata
maupun standar deviasi.
Hasil ini menunjukkan kinerja yang baik dari
TCNN (ResNet-50) untuk diagnosis kesalahan.
123
Komputasi Neural dan Aplikasi
5 Kesimpulan dan penelitian masa depan
Penelitian ini menghadirkan Transfer CNN baru berdasarkan ResNet-50
untuk diagnosis kesalahan. Kontribusi utama dari makalah ini diringkas
sebagai dua poin berikut.
Pertama, metode sinyal-ke-gambar dikembangkan untuk mengonversi
sinyal kesalahan domain waktu ke format RGB, yang merupakan tipe
data masukan dari ResNet-50. Kedua, menggabungkan dengan
pembelajaran transfer, struktur baru TCNN (ResNet-50) dikembangkan
yang memiliki kedalaman 51 lapisan. Dengan lapisan jaringan yang
lebih dalam dan lapisan ekstraksi fitur yang lebih baik, TCNN
(ResNet-50) yang diusulkan akan meningkatkan akurasi prediksi akhir
pada diagnosis kesalahan. TCNN(ResNet-50) diuji pada tiga kumpulan
data terkenal dan telah mencapai hasil yang signifikan dengan
membandingkannya dengan model DL lain dan metode tradisional.
Selain itu, struktur TCNN juga dilakukan pada VGG-16, VGG-19 dan
Inception-V3, dan hasilnya menunjukkan bahwa TCNN(ResNet-50)
adalah yang terbaik di antara mereka. Hasil ini memvalidasi kinerja
TCNN (ResNet-50) yang baik di bidang diagnosis kesalahan.
Keterbatasan metode yang diusulkan dapat mencakup aspek-aspek
berikut untuk aplikasi nyata. Pertama, sebagian besar kondisi kesalahan
harus direpresentasikan dalam jenis daftar kamus. Jika tidak, kesalahan
yang belum dipelajari akan salah diklasifikasikan menjadi kesalahan
yang diketahui. Kedua, implementasi online TCNN tidak diselidiki dalam
penelitian ini. Berdasarkan keterbatasan tersebut, penelitian selanjutnya
dapat dilakukan dengan cara sebagai berikut. Pertama, metode ini
dapat dimodifikasi lebih lanjut untuk mendeteksi kondisi kesalahan
yang tidak diketahui.
Kedua, TCNN yang diusulkan dapat diperluas ke diagnosis kesalahan
online.
Ucapan Terima Kasih Pekerjaan ini didukung sebagian oleh Natural Science
Foundation of China (NSFC) di bawah Hibah 51825502, 51805192 dan
51775216, Natural Science Foundation of Hubei Pro vince Grant No.
2018CFA078, China Postdoctoral Science Foundation di bawah Hibah
2017M622414, dan Didukung oleh Program untuk Tim Pemuda Perbatasan
Akademik HUST.
Kepatuhan dengan standar etika
Benturan Kepentingan Para penulis menyatakan bahwa tidak ada benturan
kepentingan mengenai penerbitan makalah ini.
Referensi
1. Yang L, Chen HX (2018) Diagnosis kesalahan gearbox berdasarkan RBF-
PF dan jaringan saraf wavelet wavelet optimasi kawanan partikel.
Aplikasi Komputasi Saraf. https://doi.org/10.1007/s00521-018-3525-y 2. Yin
S, Ding SX, Xie XC, Luo H (2014) Tinjauan tentang pendekatan berbasis data
dasar untuk pemantauan proses industri. IEEE Trans Ind Electron
61(11):6418–6428 3. Li XY, Gao L
(2016) Algoritma genetik hibrid yang efektif dan pencarian tabu untuk masalah
penjadwalan job shop yang fleksibel. Int J Prod Ekon 174:93–110
Machine Translated by Google
Komputasi Neural dan Aplikasi
4. Wen L Li XY,
, Gao L (2019) Jaringan diagnosis hierarkis dua tingkat baru
berdasarkan jaringan saraf konvolusional. Ukuran Instrumen IEEE T. https://
doi.org/10.1109/TIM.2019.2896370 5. Dai X, Gao Z (2013) Dari model,
sinyal hingga pengetahuan: perspektif berbasis data tentang deteksi dan diagnosis
kesalahan. IEEE Trans Ind Inf 9(4):2226–2238
6. Li XY, Gao L, Pan QK, Wan L, Chao KM (2018) Algoritma genetika hibrida yang
efektif dan pencarian lingkungan variabel untuk perencanaan dan penjadwalan
proses terintegrasi di bengkel mesin pengemasan. IEEE Trans Syst Man
Cybern Syst. https://doi.org/10.1109/TSMC.2018.2881686
7. Yang C, Song P, Liu X (2019) Prognostik kegagalan pegas hidro-pneumatik
kendaraan berat berdasarkan fitur degradasi baru dan mendukung regresi
vektor. Neural Comput Appl 31(1):139–156 8. Ertunc HM, Ocak H, Aliustaoglu
C (2013) Algoritma
keputusan multi-tahap berbasis ANN- dan ANFIS untuk deteksi dan diagnosis
kesalahan bantalan. Neural Comput Appl 22(1):435–446 9. Kiakojoori S,
Khorasani K (2016) Jaringan saraf dinamis untuk prediksi degradasi mesin
turbin gas, pemantauan kesehatan, dan prognosis. Neural Comput Appl 27(8):2157–
2192 10. Seera M, Lim CP, Ishak D, Singh H (2013) Penerapan jaringan saraf
fuzzy min-max untuk deteksi kesalahan dan diagnosis motor
induksi. Neural Comput Appl 23(1):191–200 11. Liu RN, Yang BY, Zio E, Chen XF
(2018) Kecerdasan buatan untuk diagnosis kesalahan mesin berputar: ulasan.
Proses Sinyal Mech Syst 108:33–47 12. Wang JJ, Ma YL, Zhang
LB, Gao RX, Wu DZ (2018) Pembelajaran mendalam untuk manufaktur pintar:
metode dan aplikasi.
J Manuf Syst 48(Bagian C):144–156
13. LeCun Y, Bengio Y, Hinton G (2015) Pembelajaran mendalam. Alam
521(7553):436–444
14. Zhao R, Yan RQ, Chen ZH, Mao KZ, Wang P, Gao RX (2019)
Pembelajaran mendalam dan aplikasinya untuk pemantauan kesehatan mesin.
Proses Sinyal Mech Syst 115:213–237 15.
Donahue J, Jia YQ, Vinyals O, Hoffman J, Zhang N, Tzeng E, Darrell T (2014)
Decaf: fitur aktivasi konvolusional yang mendalam untuk pengenalan visual
umum. Dalam: Konferensi internasional tentang pembelajaran mesin, hlm 647–
655 16. Yosinski J, Clune J, Bengio
Y, Lipson H (2014) Seberapa dapat ditransfer fitur dalam jaringan saraf yang
dalam? Dalam: Kemajuan dalam sistem pemrosesan informasi saraf, hlm
3320–3328 17. He KM, Zhang XY, Ren SQ, Sun J (2016)
Pembelajaran residual yang mendalam untuk pengenalan gambar. Dalam: Prosiding
konferensi IEEE tentang visi komputer dan pengenalan pola, hlm 770–778 18.
Li XY, Lu C, Gao L, Xiao SQ, Wen L (2018) Algoritma multi-
objektif yang efektif untuk penjadwalan hemat energi secara real- bengkel las
hidup. IEEE Trans Ind Inf 14(12):5400–5409 19. Wen L, Gao L, Li XY (2017)
Pembelajaran transfer mendalam baru berdasarkan auto-encoder
jarang untuk diagnosis kesalahan. IEEE Trans Syst Man Cybern Syst. https://doi.org/
10.1109/tsmc.2017.2754287 20. Cho HC, Knowles J, Fadali MS, Lee KS
(2010) Deteksi kesalahan dan isolasi motor induksi menggunakan
jaringan saraf berulang dan pemodelan Bayesian dinamis. Teknologi Sistem Kontrol
Trans IEEE 18(2):430–437
21. Sun C, Ma M, Zhao Z, Chen X (2018) Jaringan susun dalam yang jarang untuk
diagnosis kesalahan motor. IEEE Trans Ind Inf 14(7):3261–3270 22. Verma
NK, Gupta VK,
Sharma M, Sevakula RK (2013) Pemantauan berbasis kondisi cerdas dari mesin
berputar menggunakan enkoder otomatis jarang. Dalam: konferensi IEEE
tentang prognostik dan manajemen kesehatan (PHM), Gaithersburg, MD, hlm
1–7 23. Jia F, Lei Y, Guo L, Lin J, Xing S (2018) Jaringan saraf
yang dibangun dengan teknik pembelajaran mendalam dan aplikasi untuk diagnosis
kesalahan mesin yang cerdas. Komputasi saraf 272(10):619–628
24. Qi Y, Shen C, Wang D, Shi J, Jiang X, Zhu Z (2017) Jaringan dalam berbasis
autoencoder jarang bertumpuk untuk diagnosis kesalahan mesin berputar.
IEEE Access 5:15066–15079 25. Gan M, Wang C (2016)
Konstruksi jaringan diagnosis hierarkis berdasarkan pembelajaran mendalam dan
penerapannya dalam pengenalan pola kesalahan bantalan elemen bergulir.
Proses Sinyal Mech Syst 72:92–104
26. Han T, Liu C, Yang WG, Jiang DX (2018) Jaringan transfer dalam dengan
adaptasi distribusi bersama: kerangka kerja diagnosis kesalahan cerdas baru
untuk aplikasi industri. arXiv pracetak arXiv: 1804.07265
27. Zhang HJ, Cao X, Ho J, Chow T (2017) Periklanan video tingkat objek: kerangka
kerja pengoptimalan. IEEE Trans Ind Inf 13(2):520–531 28. Zhang HJ, Ji YZ,
Huang W, Liu LL
(2018) Pengambilan pakaian berbasis bintang komedi situasi untuk iklan video:
kerangka pembelajaran yang mendalam. Aplikasi Komputasi Saraf. https://
doi.org/10.1007/s00521-018- 3579-x
29. Wen L, Li XY, Gao L, Zhang YY (2018) Metode diagnosis kesalahan berbasis
data berbasis jaringan saraf konvolusional baru. IEEE Trans Ind Electron
65(7):5990–5998
30. Wang F, Jiang HK, Shao HD, Duan WJ, Wu SP (2017) Jaringan saraf
konvolusional dalam adaptif untuk diagnosis kesalahan bantalan gelinding.
Meas Sci Technol 28(9):095005 31. Guo X, Chen L, Shen
C (2016) Jaringan saraf konvolusi dalam adaptif hirarkis dan penerapannya untuk
diagnosis kesalahan bantalan. Pengukuran 93:490–502
32. Lu C, Wang ZY, Zhou B (2017) Diagnosis kesalahan cerdas bantalan gelinding
menggunakan klasifikasi status kesehatan berbasis jaringan konvolusional
hierarkis. Adv Eng Inf 32:139–151 33. Xie Y, Zhang T (2017)
Diagnosis kesalahan untuk mesin berputar berdasarkan jaringan saraf konvolusional
dan dekomposisi mode empiris. Getaran kejut. ID Artikel 3084197 34. Xia M,
Li T, Xu L, Liu L, de Silva CW (2018) Diagnosis kesalahan
untuk mesin berputar menggunakan banyak sensor dan jaringan saraf konvolusional.
IEEE/ASME Trans Mechatron 23(1):101–110 35. Ren R, Hung T, Tan KC
(2018) Pendekatan berbasis pembelajaran mendalam umum untuk
pemeriksaan permukaan otomatis. IEEE Trans Cybern 48(3):929–940 36. Wehrmann
J, Simoes GS, Barros RC, Cavalcante VF (2018)
Deteksi konten dewasa dalam video dengan jaringan neural sewa konvolusional
dan berulang. Neurocomputing 272:432–438 37. Shin HC, Roth
HR, Gao MC, Lu L, Xu ZY, Nogues I, Yao JH, Mollura D, Summers RM (2016) Deep
convolutional neural network for computer-aided detection: CNN architectures,
karakteristik dataset dan pembelajaran transfer. IEEE Trans Med Imaging
35(5):1285–1298 38. Janssens O, Van de Walle R, Loccufier M, Van Hoecke
S (2018)
Pembelajaran mendalam untuk pemantauan kesehatan mesin berbasis citra
termal inframerah. IEEE/ASME Trans Mechatron 23(1):151–159 39.
Shao S, McAleer S, Yan R, Baldi P (2018) Diagnosis kesalahan mesin yang sangat
akurat menggunakan pembelajaran transfer mendalam. IEEE Trans Ind Inf
1:1. https://doi.org/10.1109/tii.2018.2864759 40. Chong UP
(2011) Deteksi dan diagnosis kesalahan berbasis model sinyal untuk motor induksi
menggunakan fitur sinyal getaran dalam domain dua dimensi. Stroj Vestn J
Mech Eng 57(9):655–666 41. Kang M, Kim JM (2014) Diagnosis kesalahan
yang andal dari beberapa cacat motor induksi menggunakan representasi 2-d dari
gelombang Shannon. IEEE Trans Magn 50(10):1–13 42. Lu C, Wang Y,
Ragulskis M, Cheng Y (2016) Diagnosis kesalahan
untuk mesin berputar: metode berdasarkan pemrosesan gambar. PLoS SATU
11(10):e0164111
43. Rauber TW, Assis Boldt F, Vareja˜o FM (2015) Model fitur heterogen dan
pemilihan fitur diterapkan untuk diagnosis kesalahan bantalan. IEEE Trans Ind
Electron 62(1):637–646
123
Machine Translated by Google
44. Han T, Jiang D, Zhao Q, Wang L, Yin K (2017) Perbandingan hutan
acak, jaringan saraf tiruan, dan mesin vektor pendukung untuk
diagnosis cerdas mesin berputar. Dalam: Transactions of the
institute of measurement and control, hlm 1–13 45. Zhu K, Song X,
Xue D (2014) Metode diagnosis kesalahan bantalan rol berdasarkan
entropi hierarkis dan mesin vektor pendukung dengan algoritme
pengoptimalan segerombolan partikel. Pengukuran 47:669–675
46. Lessmeier C, Kimotho JK, Zimmer D, Sextro W (2016) Pemantauan
kondisi kerusakan bantalan pada sistem penggerak elektromekanis
dengan menggunakan sinyal arus motor dari motor listrik: kumpulan
data tolok ukur untuk klasifikasi berbasis data. Dalam: Prosiding
123
Komputasi Neural dan Aplikasi
dari konferensi Eropa masyarakat prognostik dan manajemen
kesehatan, hal 05–08 47.
Smith WA, Randall RB (2015) Rolling element bearing diag nostics
menggunakan data Case Western Reserve University: studi tolok
ukur. Proses Sinyal Sistem Mech 64:100–131 48. Lei Y,
Jia F, Lin J, Xing S, Ding SX (2016) Metode diagnosis kesalahan cerdas
menggunakan pembelajaran fitur tanpa pengawasan terhadap data
besar mekanis. IEEE Trans Ind Electron 63(5):3137–3147
Catatan Penerbit Springer Nature tetap netral sehubungan dengan
klaim yurisdiksi dalam peta yang diterbitkan dan afiliasi kelembagaan.