論文の概要: Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2204.12637v1
• Date: Wed, 27 Apr 2022 00:02:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 14:12:13.834525
• Title: Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection
• Title（参考訳）: ファウショット異常検出による転がり軸受のメタラーニングによる早期故障検出
• Authors: Wenbin Song, Di Wu, Weiming Shen and Benoit Boulet
• Abstract要約: 本稿では,UtUV(Unit-to-Unit Variability)を考慮したメタラーニングに基づく新しいEFD手法を提案する。 提案手法は,リレーショナル・ネットワーク(RN)に基づく一般的なメトリクスを学習し,通常のデータと新たな到達目標ベアリングデータとの類似性を測定する。 その結果,提案手法は,誤報の少ないベースラインよりも早く起始断層を検出できることが示唆された。
• 参考スコア（独自算出の注目度）: 7.321910673393638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early fault detection (EFD) of rolling bearings can recognize slight deviation of the health states and contribute to the stability of mechanical systems. In practice, very limited target bearing data are available to conduct EFD, which makes it hard to adapt to the EFD task of new bearings. To address this problem, many transfer learning based EFD methods utilize historical data to learn transferable domain knowledge and conduct early fault detection on new target bearings. However, most existing methods only consider the distribution drift across different working conditions but ignore the difference between bearings under the same working condition, which is called Unit-to-Unit Variability (UtUV). The setting of EFD with limited target data considering UtUV can be formulated as a Few-shot Anomaly Detection task. Therefore, this paper proposes a novel EFD method based on meta-learning considering UtUV. The proposed method can learn a generic metric based on Relation Network (RN) to measure the similarity between normal data and the new arrival target bearing data. Besides, the proposed method utilizes a health state embedding strategy to decrease false alarms. The performance of proposed method is tested on two bearing datasets. The results show that the proposed method can detect incipient faults earlier than the baselines with lower false alarms.
• Abstract（参考訳）: 転がり軸受の早期故障検出(EFD)は、健康状態のわずかなずれを認識し、機械系の安定性に寄与する。 実際には、EFDを実行するために非常に限られたターゲットベアリングデータが利用可能であり、新しいベアリングのEFDタスクに適応することが困難である。 この問題に対処するために、多くの転送学習に基づくEFD法は、履歴データを利用して転送可能なドメイン知識を学習し、新しいターゲットベアリング上で早期故障検出を行う。 しかしながら、既存のほとんどの手法は、異なる作業条件における分布のドリフトのみを考慮するが、同じ作業条件下でのベアリングの違いを無視する。 UtUVを考慮した限定目標データによるEFDの設定は、Few-shot Anomaly Detectionタスクとして定式化することができる。 そこで本研究では,UtUVを考慮したメタラーニングに基づく新しいEFD手法を提案する。 提案手法は,リレーショナル・ネットワーク(RN)に基づく一般的なメトリクスを学習し,通常のデータと新たな到達目標ベアリングデータとの類似性を測定する。 また,提案手法では,誤報を減らすために健康状態埋め込み戦略を用いる。 提案手法の性能を2つの軸受データセットで検証した。 その結果,提案手法は,誤報の少ないベースラインよりも早く初期故障を検知できることがわかった。

関連論文リスト

• Self-Calibrated Tuning of Vision-Language Models for Out-of-Distribution Detection [24.557227100200215]
  オープンソースアプリケーションに信頼性の高い機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 近年のCLIPによるOOD検出の進歩は,IDデータから抽出したOOD特徴に即時調整を施すことによって有望な結果を示した。 提案手法は,SCT(Self-Calibrated Tuning)と呼ばれる新しいフレームワークで,与えられた数ショットのIDデータのみを用いて効果的なOOD検出を行う。
  論文  参考訳（メタデータ） (2024-11-05T02:29:16Z)
• Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
  unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。 近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。 本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。 実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
  論文  参考訳（メタデータ） (2024-09-05T02:58:13Z)
• Wireless Channel Aware Data Augmentation Methods for Deep Learning-Based Indoor Localization [22.76179980847908]
  本稿では,無線伝搬チャネルやデバイスに関するドメイン知識を活用する手法を提案する。 低データ体制では、ローカライゼーション精度は50%まで上昇し、高データ体制における非増大した結果と一致することを示す。 提案手法は,測定データ量の1/4しか使用せず,最大で33%のハイデータ性能を達成できる。
  論文  参考訳（メタデータ） (2024-08-12T19:01:49Z)
• Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
  本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。 我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。 さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。 近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
  論文  参考訳（メタデータ） (2024-07-22T04:32:43Z)
• Fault Detection and Monitoring using an Information-Driven Strategy: Method, Theory, and Application [5.056456697289351]
  本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)

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。