論文の概要: Canonical Polyadic Decomposition and Deep Learning for Machine Fault Detection

• arxiv url: http://arxiv.org/abs/2107.09519v1
• Date: Tue, 20 Jul 2021 14:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 15:04:55.729359
• Title: Canonical Polyadic Decomposition and Deep Learning for Machine Fault Detection
• Title（参考訳）: 機械故障検出のための正準多進分解とディープラーニング
• Authors: Frusque Gaetan, Michau Gabriel and Fink Olga
• Abstract要約: マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。 健康状態のみのデータを用いてトレーニングされた新しいアルゴリズムを開発し、教師なしの異常検出を行った。 これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acoustic monitoring for machine fault detection is a recent and expanding research path that has already provided promising results for industries. However, it is impossible to collect enough data to learn all types of faults from a machine. Thus, new algorithms, trained using data from healthy conditions only, were developed to perform unsupervised anomaly detection. A key issue in the development of these algorithms is the noise in the signals, as it impacts the anomaly detection performance. In this work, we propose a powerful data-driven and quasi non-parametric denoising strategy for spectral data based on a tensor decomposition: the Non-negative Canonical Polyadic (CP) decomposition. This method is particularly adapted for machine emitting stationary sound. We demonstrate in a case study, the Malfunctioning Industrial Machine Investigation and Inspection (MIMII) baseline, how the use of our denoising strategy leads to a sensible improvement of the unsupervised anomaly detection. Such approaches are capable to make sound-based monitoring of industrial processes more reliable.
• Abstract（参考訳）: 機械故障検出のための音響モニタリングは、産業に有望な成果をもたらした最近の研究経路である。 しかし、マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。 そこで、健康状態のみのデータを用いて訓練された新しいアルゴリズムを開発し、教師なし異常検出を行った。 これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。 本研究では、テンソル分解に基づくスペクトルデータに対して、非負カノニカルポリアディクス(CP)分解という強力なデータ駆動・準非パラメトリックDenoising戦略を提案する。 この方法は、特に定常音を発する機械に適応する。 本研究は, 故障型産業機械調査検査(mimii)のベースラインとして, 脱音戦略の活用が, 教師なし異常検出の賢明な改善につながることを示す。 このようなアプローチは、産業プロセスの音に基づく監視をより信頼性の高いものにする。

関連論文リスト

• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Why do Angular Margin Losses work well for Semi-Supervised Anomalous Sound Detection? [0.8702432681310399]
  最先端の異常音検出システムは、しばしば角マージンの損失を利用して、適切な音響データの表現を学習する。 本研究の目的は, アンギュラーマージン損失を補助課題で用いた場合, 異常音の検出に有効かを検討することである。
  論文  参考訳（メタデータ） (2023-09-27T13:29:38Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
  本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。 我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
  論文  参考訳（メタデータ） (2022-12-05T14:29:16Z)
• Denoising diffusion models for out-of-distribution detection [2.113925122479677]
  我々は,確率拡散モデル(DDPM)を自己エンコーダの復号化として活用する。 DDPMを用いてノイズレベルの範囲の入力を再構成し,結果の多次元再構成誤差を用いてアウト・オブ・ディストリビューション入力を分類する。
  論文  参考訳（メタデータ） (2022-11-14T20:35:11Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。