Why Machine Fault Diagnosis Should Not Be Treated as an "Overfitting Contest"

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26210%2F26%3A0198698" target="_blank" >RIV/00216305:26210/26:0198698 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Why Machine Fault Diagnosis Should Not Be Treated as an "Overfitting Contest"
Popis výsledku v původním jazyce
Machine learning and deep learning algorithms are increasingly popular for machine fault diagnosis tasks. Several freely available datasets serve as a benchmark to compare different diagnostic methods. This article explores the CWRU bearing fault dataset and argues that it is essential to understand the machine's operation principles and dataset properties to develop algorithms capable of transferring from laboratory environment to real-world applications.
Název v anglickém jazyce
Why Machine Fault Diagnosis Should Not Be Treated as an "Overfitting Contest"
Popis výsledku anglicky
Machine learning and deep learning algorithms are increasingly popular for machine fault diagnosis tasks. Several freely available datasets serve as a benchmark to compare different diagnostic methods. This article explores the CWRU bearing fault dataset and argues that it is essential to understand the machine's operation principles and dataset properties to develop algorithms capable of transferring from laboratory environment to real-world applications.

Projekt
<a href="/cs/project/EH23_020%2F0008528" target="_blank" >EH23_020/0008528: Inovativní technologie pro chytrou nízkoemisní mobilitu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění
2025
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)