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
- 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) - Ball Mill Fault Prediction Based on Deep Convolutional Auto-Encoding
Network [3.673613706096849]
本稿では,深部畳み込み自己符号化ニューラルネットワーク(DCAN)を用いた異常検出手法を提案する。
提案手法は,教師付き学習手法でしばしば発生するラベル付け問題やデータ不均衡といった課題を克服し,通常の訓練中に収集した振動データを活用する。
本稿では, 武漢鉄鉄資源グループのボールミル軸受からのデータと, NASAの軸受振動データセットからのデータを利用して, 異常検出のためのDCANに基づく異常検出モデルの実用化について述べる。
論文 参考訳(メタデータ) (2023-11-09T17:49:07Z) - 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) - Continual Detection Transformer for Incremental Object Detection [154.8345288298059]
インクリメンタルオブジェクト検出(IOD)は、新しいオブジェクトカテゴリに対するアノテーションを備えた、フェーズ内のオブジェクト検出をトレーニングすることを目的としている。
他の段階的な設定として、IODは破滅的な忘れがちであり、知識蒸留(KD)や模範再生(ER)といった技術によってしばしば対処される。
本稿では,この文脈でKDとERを効果的に活用できるトランスフォーマーベースのIODを提案する。
論文 参考訳(メタデータ) (2023-04-06T14:38:40Z) - LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。
本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
論文 参考訳(メタデータ) (2023-03-24T13:49:05Z) - Detecting Out-of-distribution Examples via Class-conditional Impressions
Reappearing [30.938412222724608]
Out-of-Distribution(OOD)検出は、標準のディープニューラルネットワークを拡張して、元のトレーニングデータと異常な入力を区別することを目的としている。
プライバシーとセキュリティのため、補助的なデータは現実のシナリオでは実用的ではない傾向にある。
我々は,C2IR(Class-Conditional Impressions Reappearing)と呼ばれる,自然データに対する訓練を伴わないデータフリー手法を提案する。
論文 参考訳(メタデータ) (2023-03-17T02:55:08Z) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-11-21T08:45:08Z) - RODD: A Self-Supervised Approach for Robust Out-of-Distribution
Detection [12.341250124228859]
本稿では,分散データセットに依存しない簡易かつ効果的なOOD検出手法を提案する。
提案手法は, コンパクトな低次元空間上に埋没するトレーニングサンプルの自己教師型特徴学習に依存する。
自己教師付きコントラスト学習を用いた事前学習モデルでは、潜伏空間における一次元特徴学習のより良いモデルが得られることを実証的に示す。
論文 参考訳(メタデータ) (2022-04-06T03:05:58Z) - 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。