論文の概要: Graph Neural Network-based Early Bearing Fault Detection
- arxiv url: http://arxiv.org/abs/2204.11220v1
- Date: Sun, 24 Apr 2022 08:54:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 02:35:17.058773
- Title: Graph Neural Network-based Early Bearing Fault Detection
- Title(参考訳): グラフニューラルネットワークを用いた早期ベアリング障害検出
- Authors: Xusheng Du, Jiong Yu
- Abstract要約: グラフニューラルネットワークを用いた新しい故障検出手法を提案する。
AIと現実世界のメカニカルシステムの間に橋を架けている。
提案手法は, 通常の対象領域に混在する異常物体を検出する。
- 参考スコア(独自算出の注目度): 0.18275108630751835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early detection of faults is of importance to avoid catastrophic accidents
and ensure safe operation of machinery. A novel graph neural network-based
fault detection method is proposed to build a bridge between AI and real-world
running mechanical systems. First, the vibration signals, which are Euclidean
structured data, are converted into graph (non-Euclidean structured data), so
that the vibration signals, which are originally independent of each other, are
correlated with each other. Second, inputs the dataset together with its
corresponding graph into the GNN for training, which contains graphs in each
hidden layer of the network, enabling the graph neural network to learn the
feature values of itself and its neighbors, and the obtained early features
have stronger discriminability. Finally, determines the top-n objects that are
difficult to reconstruct in the output layer of the GNN as fault objects. A
public datasets of bearings have been used to verify the effectiveness of the
proposed method. We find that the proposed method can successfully detect
faulty objects that are mixed in the normal object region.
- Abstract(参考訳): 故障の早期発見は、壊滅的な事故を回避し、機械の安全な運転を確保するために重要である。
aiと実世界の機械システムの橋渡しを行うために,新しいグラフニューラルネットワークに基づく故障検出手法を提案する。
まず、ユークリッド構造データである振動信号をグラフ(非ユークリッド構造データ)に変換し、互いに独立な振動信号を相互に相関させる。
第二に、データセットと対応するグラフをトレーニングのためにGNNに入力し、ネットワークの各隠蔽層にグラフを含むことにより、グラフニューラルネットワークは自身とその隣人の特徴値を学ぶことができ、得られた初期特徴はより識別性が高い。
最後に、GNNの出力層を障害オブジェクトとして再構成することが難しいトップnオブジェクトを決定する。
提案手法の有効性を検証するために軸受の公開データセットが用いられている。
提案手法は, 正常な対象領域に混入した異常物体を効果的に検出できることを見いだした。
関連論文リスト
- Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳(メタデータ) (2024-01-24T03:43:45Z) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-02T12:47:49Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - BS-GAT Behavior Similarity Based Graph Attention Network for Network
Intrusion Detection [20.287285893803244]
本稿では,グラフアテンションネットワークを用いた行動類似性(BS-GAT)に基づくグラフニューラルネットワークアルゴリズムを提案する。
その結果,提案手法は有効であり,既存のソリューションと比較して優れた性能を示した。
論文 参考訳(メタデータ) (2023-04-07T09:42:07Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
論文 参考訳(メタデータ) (2022-02-25T22:05:59Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳(メタデータ) (2021-03-27T04:47:59Z) - One-Class Graph Neural Networks for Anomaly Detection in Attributed
Networks [2.591494941326856]
One Class Graph Neural Network (OCGNN) は、グラフ異常検出のための一級分類フレームワークである。
OCGNNは、グラフニューラルネットワークの強力な表現能力と古典的な一流の目的を組み合わせるように設計されている。
論文 参考訳(メタデータ) (2020-02-22T01:25:49Z)
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。