論文の概要: Addressing Domain Shift via Knowledge Space Sharing for Generalized Zero-Shot Industrial Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2306.02359v1
• Date: Sun, 4 Jun 2023 13:50:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 18:15:32.408279
• Title: Addressing Domain Shift via Knowledge Space Sharing for Generalized Zero-Shot Industrial Fault Diagnosis
• Title（参考訳）: 一般ゼロショット産業故障診断のための知識空間共有によるドメインシフトの対応
• Authors: Jiancheng Zhao, Jiaqi Yue, Liangjun Feng, Chunhui Zhao, and Jinliang Ding
• Abstract要約: 一般のゼロショット産業断層診断は、目に見えない断層と見えない断層の両方を診断することを目的としている。 トレーニング用の予期せぬフォールトデータが欠如していることは、ドメインシフトの問題を引き起こす。 ゼロショット産業故障診断タスクにおけるDSPに対処する知識空間共有(KSS)モデルを提案する。
• 参考スコア（独自算出の注目度）: 19.336869079472663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault diagnosis is a critical aspect of industrial safety, and supervised industrial fault diagnosis has been extensively researched. However, obtaining fault samples of all categories for model training can be challenging due to cost and safety concerns. As a result, the generalized zero-shot industrial fault diagnosis has gained attention as it aims to diagnose both seen and unseen faults. Nevertheless, the lack of unseen fault data for training poses a challenging domain shift problem (DSP), where unseen faults are often identified as seen faults. In this article, we propose a knowledge space sharing (KSS) model to address the DSP in the generalized zero-shot industrial fault diagnosis task. The KSS model includes a generation mechanism (KSS-G) and a discrimination mechanism (KSS-D). KSS-G generates samples for rare faults by recombining transferable attribute features extracted from seen samples under the guidance of auxiliary knowledge. KSS-D is trained in a supervised way with the help of generated samples, which aims to address the DSP by modeling seen categories in the knowledge space. KSS-D avoids misclassifying rare faults as seen faults and identifies seen fault samples. We conduct generalized zero-shot diagnosis experiments on the benchmark Tennessee-Eastman process, and our results show that our approach outperforms state-of-the-art methods for the generalized zero-shot industrial fault diagnosis problem.
• Abstract（参考訳）: 故障診断は産業安全の重要な側面であり,産業事故診断の監督は広く研究されてきた。 しかし、コストや安全性の懸念から、モデルトレーニングのすべてのカテゴリの障害サンプルを取得することは困難である。 その結果, 一般のゼロショット型産業断層診断は, 目に見えない断層と見えない断層の両方を診断することを目的として注目されている。 それにもかかわらず、トレーニングのための見当たらない障害データがないことは、見当たらない障害がしばしば見当たらない障害として識別される、挑戦的なドメインシフト問題(dsp)をもたらす。 本稿では,一般ゼロショット産業断層診断タスクにおいて,DSPに対処する知識空間共有(KSS)モデルを提案する。 KSSモデルは、生成機構(KSS-G)と識別機構(KSS-D)を含む。 kss-gは補助知識の指導のもと、見てきたサンプルから抽出した転送可能な属性特徴を再結合することにより、希少な欠陥のサンプルを生成する。 KSS-Dは、知識空間で見られるカテゴリをモデル化することによってDSPに対処することを目的として、生成されたサンプルの助けを借りて教師付き方法で訓練される。 KSS-Dは、異常な断層を目に見える断層と誤分類することを避け、観測された断層サンプルを特定する。 我々は,テネシー州-イーストマン法を基準とした一般化ゼロショット診断実験を行い,本手法が一般ゼロショット産業故障診断問題に対する最先端手法よりも優れていることを示す。

関連論文リスト

• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• FedLED: Label-Free Equipment Fault Diagnosis with Vertical Federated Transfer Learning [16.520970191947935]
  FedLEDは、最初の教師なし垂直FTL機器故障診断法である。 ラベルなしのターゲットドメインの知識は、効果的な教師なしモデル転送のためにさらに利用されます。
  論文  参考訳（メタデータ） (2023-12-29T03:31:28Z)
• 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)
• Few-shot Detection of Anomalies in Industrial Cyber-Physical System via Prototypical Network and Contrastive Learning [5.9990208840809345]
  本稿では,プロトタイプネットワークとコントラスト学習に基づく数ショットの異常検出モデルを提案する。 本モデルでは,異常信号を特定するために,F1スコアを大幅に改善し,誤警報率(FAR)を低減できることを示す。
  論文  参考訳（メタデータ） (2023-02-21T11:09:36Z)
• SCCAM: Supervised Contrastive Convolutional Attention Mechanism for Ante-hoc Interpretable Fault Diagnosis with Limited Fault Samples [9.648963514691046]
  本稿では,限られた断層サンプルから学習するためのアンテホック解釈性を備えた教師付きコントラッシブ・コンボリューション・アテンション機構(SCCAM)を提案する。 追加検証のためのバランスのとれたシナリオと、限られた障害サンプルを持つ2つのシナリオを含む、3つの一般的な障害診断シナリオがカバーされている。 提案手法は, 断層分類と根本原因解析の最先端手法と比較して, 優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-02-03T08:43:55Z)
• On a Uniform Causality Model for Industrial Automation [61.303828551910634]
  産業自動化の様々な応用分野に対する一様因果モデルを提案する。 得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。 このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
  論文  参考訳（メタデータ） (2022-09-20T11:23:51Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
  モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。 ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
  論文  参考訳（メタデータ） (2020-07-25T04:03:18Z)
• 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。