論文の概要: Personalized Federated Learning for Multi-task Fault Diagnosis of Rotating Machinery

• arxiv url: http://arxiv.org/abs/2211.09406v1
• Date: Thu, 17 Nov 2022 08:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 15:25:01.641919
• Title: Personalized Federated Learning for Multi-task Fault Diagnosis of Rotating Machinery
• Title（参考訳）: 回転機械のマルチタスク故障診断のための個人化フェデレーション学習
• Authors: Sheng Guo, Zengxiang Li, Hui Liu, Shubao Zhao and Cheng Hao Jin
• Abstract要約: 本稿では,複数の工場にまたがるマルチタスク故障診断手法を実現するための,個人化されたフェデレーション学習フレームワークを提案する。 畳み込みニューラルネットワークに基づくマルチタスク深層学習モデルを構築し、異種情報融合による機械の故障を診断する。 実機から収集したデータのケーススタディにより,提案手法の有効性が検証された。
• 参考スコア（独自算出の注目度）: 6.442377498489894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intelligent fault diagnosis is essential to safe operation of machinery. However, due to scarce fault samples and data heterogeneity in field machinery, deep learning based diagnosis methods are prone to over-fitting with poor generalization ability. To solve the problem, this paper proposes a personalized federated learning framework, enabling multi-task fault diagnosis method across multiple factories in a privacypreserving manner. Firstly, rotating machines from different factories with similar vibration feature data are categorized into machine groups using a federated clustering method. Then, a multi-task deep learning model based on convolutional neural network is constructed to diagnose the multiple faults of machinery with heterogeneous information fusion. Finally, a personalized federated learning framework is proposed to solve data heterogeneity across different machines using adaptive hierarchical aggregation strategy. The case study on collected data from real machines verifies the effectiveness of the proposed framework. The result shows that the diagnosis accuracy could be improved significantly using the proposed personalized federated learning, especially for those machines with scarce fault samples.
• Abstract（参考訳）: 機械の安全運転には知的故障診断が不可欠である。 しかし, 深層学習に基づく診断手法は, 現場機械の欠陥サンプルやデータ不均一性に乏しく, 一般化能力に乏しいため, 過度に適合する傾向にある。 そこで本研究では,複数工場にまたがるマルチタスク故障診断をプライバシ保護方式で実現する,個人用フェデレーション学習フレームワークを提案する。 まず、同様の振動特徴データを持つ異なる工場の回転機械を、連合クラスタリング法を用いて機械群に分類する。 そして、畳み込みニューラルネットワークに基づくマルチタスク深層学習モデルを構築し、異種情報融合による機械の多重故障を診断する。 最後に,適応的な階層的アグリゲーション戦略を用いて,異なるマシン間でのデータ不均一性を解決するために,パーソナライズされたフェデレーション学習フレームワークを提案する。 実マシンから収集したデータに関するケーススタディは,提案手法の有効性を検証する。 その結果、特に欠陥サンプルの少ない機械において、個別化学習を用いて診断精度を著しく向上できることが示された。

関連論文リスト

• Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
  本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T17:46:38Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• Fault Diagnosis using eXplainable AI: a Transfer Learning-based Approach for Rotating Machinery exploiting Augmented Synthetic Data [0.0]
  FaultD-XAIは、移動学習に基づいて回転機械の故障を分類するための汎用的で解釈可能なアプローチである。 伝達学習を用いたスケーラビリティを実現するため、動作中の故障特性を模倣した合成振動信号を作成する。 提案手法は,有望な診断性能を得るだけでなく,専門家が条件を特定するために使用する特徴も学習することができた。
  論文  参考訳（メタデータ） (2022-10-06T15:02:35Z)
• Multi-Fault Diagnosis Of Industrial Rotating Machines Using Data-Driven Approach: A Review Of Two Decades Of Research [19.89641921844766]
  本稿では,産業用回転機械のマルチフォールト診断のためのデータ駆動型手法について,系統的な文献レビューを行う。 PRISMA法は、体系的なレビューやその他のメタアナリシスの構成と構造に関するガイドラインの集合である。 この分野における基礎的な作業を特定し、産業用回転機械のマルチフォールト診断に関連するさまざまな側面について比較研究する。
  論文  参考訳（メタデータ） (2022-05-30T14:54:27Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• An Explainable Artificial Intelligence Approach for Unsupervised Fault Detection and Diagnosis in Rotating Machinery [2.055054374525828]
  本稿では,回転機械の故障検出と診断のための新しい手法を提案する。 この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。 提案手法の有効性は,機械的故障の異なる3つのデータセットに示される。
  論文  参考訳（メタデータ） (2021-02-23T18:28:18Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Residual Generation Using Physically-Based Grey-Box Recurrent Neural Networks For Engine Fault Diagnosis [1.0152838128195467]
  物理モデルと利用可能なトレーニングデータを組み合わせたハイブリッド故障診断手法は有望な結果を示した。 システムモデルの二部グラフ表現を用いて自動残差設計を行い、グレーボックス再帰ニューラルネットワークを設計する。 内燃機関テストベンチからのデータは、機械学習とモデルに基づく故障診断技術を組み合わせる可能性を示すために使用される。
  論文  参考訳（メタデータ） (2020-08-11T11:59:48Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。