論文の概要: A Novel Deep Parallel Time-series Relation Network for Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2112.03405v1
- Date: Fri, 3 Dec 2021 08:24:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-11 08:10:16.051660
- Title: A Novel Deep Parallel Time-series Relation Network for Fault Diagnosis
- Title(参考訳): 故障診断のための新しい深並列時系列関係ネットワーク
- Authors: Chun Yang
- Abstract要約: 本稿では,深層並列時間系列関係ネットワーク(textitDPTRN)と呼ばれる故障診断モデルを提案する。
我々のモデルはTEとKDD-CUP99のデータセットで他の手法よりも優れています。
- 参考スコア(独自算出の注目度): 7.127292365993219
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Considering the models that apply the contextual information of time-series
data could improve the fault diagnosis performance, some neural network
structures such as RNN, LSTM, and GRU were proposed to model the industrial
process effectively. However, these models are restricted by their serial
computation and hence cannot achieve high diagnostic efficiency. Also the
parallel CNN is difficult to implement fault diagnosis in an efficient way
because it requires larger convolution kernels or deep structure to achieve
long-term feature extraction capabilities. Besides, BERT model applies absolute
position embedding to introduce contextual information to the model, which
would bring noise to the raw data and therefore cannot be applied to fault
diagnosis directly. In order to address the above problems, a fault diagnosis
model named deep parallel time-series relation network(\textit{DPTRN}) has been
proposed in this paper. There are mainly three advantages for DPTRN: (1) Our
proposed time relationship unit is based on full multilayer
perceptron(\textit{MLP}) structure, therefore, DPTRN performs fault diagnosis
in a parallel way and improves computing efficiency significantly. (2) By
improving the absolute position embedding, our novel decoupling position
embedding unit could be applied on the fault diagnosis directly and learn
contextual information. (3) Our proposed DPTRN has obvious advantage in feature
interpretability. Our model outperforms other methods on both TE and KDD-CUP99
datasets which confirms the effectiveness, efficiency and interpretability of
the proposed DPTRN model.
- Abstract(参考訳): 時系列データの文脈情報を適用するモデルが故障診断性能を向上させることを考慮し、産業的プロセスを効果的にモデル化するためにRNN、LSTM、GRUなどのニューラルネットワーク構造を提案した。
しかし、これらのモデルは連続計算によって制限されるため、高い診断効率を達成できない。
また、長期的特徴抽出機能を実現するために、より大規模な畳み込みカーネルや深い構造を必要とするため、並列CNNは効率的なフォールト診断を実現するのが難しい。
さらに、BERTモデルは、モデルにコンテキスト情報を導入するために絶対位置埋め込みを適用し、生データにノイズをもたらすため、障害診断に直接適用することはできない。
本稿では,上記の問題に対処するために,deep parallel time-series relation network(\textit{dptrn})という故障診断モデルを提案する。
1) 提案した時間関係ユニットは全多層パーセプトロン(\textit{MLP})構造に基づいているため, DPTRNは並列に故障診断を行い, 演算効率を大幅に向上する。
2) 絶対位置埋め込みの改善により, 故障診断に直接適用し, 文脈情報を学習することが可能となった。
(3)DPTRNは特徴解釈可能性において明らかな優位性を有する。
本モデルは,提案するdptrnモデルの有効性,効率,解釈性を確認するteおよびkdd-cup99データセットの他の手法よりも優れている。
関連論文リスト
- REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳(メタデータ) (2024-06-03T16:30:19Z) - TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis [0.5277756703318045]
本稿では,音環境における故障診断性能を向上させるため,TDANet(Tunal Denoise Convolutional Neural Network With Attention)を提案する。
TDANetモデルは、その周期特性に基づいて1次元信号を2次元テンソルに変換し、マルチスケールの2次元畳み込みカーネルを用いて周期内および周期間の信号情報を抽出する。
CWRU (single sensor) とReal Aircraft Sensor Fault (multiple sensor) の2つのデータセットに対する評価は、TDANetモデルがノイズの多い環境下での診断精度において既存のディープラーニングアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2024-03-29T02:54:41Z) - BDHT: Generative AI Enables Causality Analysis for Mild Cognitive Impairment [34.60961915466469]
軽度認知障害 (MCI) 解析に有効な接続性を推定するために, 階層型トランスフォーマー (BDHT) を用いた脳ディフューザを提案する。
提案手法は,既存手法に比べて精度と頑健性に優れる。
論文 参考訳(メタデータ) (2023-12-14T15:12:00Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's
Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。
その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
論文 参考訳(メタデータ) (2023-08-14T20:06:19Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳(メタデータ) (2023-08-06T05:58:45Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z)
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。