論文の概要: Causal Disentanglement Hidden Markov Model for Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2308.03027v1
• Date: Sun, 6 Aug 2023 05:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 17:09:46.246266
• Title: Causal Disentanglement Hidden Markov Model for Fault Diagnosis
• Title（参考訳）: 断層診断のための因果解離隠れマルコフモデル
• Authors: Rihao Chang, Yongtao Ma, Weizhi Nie, Jie Nie, An-an Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.90917958154425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern industries, fault diagnosis has been widely applied with the goal of realizing predictive maintenance. The key issue for the fault diagnosis system is to extract representative characteristics of the fault signal and then accurately predict the fault type. In this paper, we propose a Causal Disentanglement Hidden Markov model (CDHM) to learn the causality in the bearing fault mechanism and thus, capture their characteristics to achieve a more robust representation. Specifically, we make full use of the time-series data and progressively disentangle the vibration signal into fault-relevant and fault-irrelevant factors. The ELBO is reformulated to optimize the learning of the causal disentanglement Markov model. Moreover, to expand the scope of the application, we adopt unsupervised domain adaptation to transfer the learned disentangled representations to other working environments. Experiments were conducted on the CWRU dataset and IMS dataset. Relevant results validate the superiority of the proposed method.
• Abstract（参考訳）: 現代の産業では, 予測保守の実現を目的として, 故障診断が広く適用されている。 故障診断システムの主な課題は, 故障信号の代表的な特徴を抽出し, 故障タイプを正確に予測することである。 本稿では, 因果解離型隠れマルコフモデル(CDHM)を提案し, 軸受故障機構の因果関係を学習し, それらの特性を捉えることにより, より堅牢な表現を実現する。 具体的には,時系列データを十分に活用し,振動信号を故障関連要因と故障関連要因に段階的に分離する。 ELBOは、因果不整合マルコフモデルの学習を最適化するために再構成される。 さらに、アプリケーションの範囲を拡大するために、教師なしのドメイン適応を採用し、学習された異種表現を他の作業環境に転送する。 CWRUデータセットとIMSデータセットで実験を行った。 関連する結果は,提案手法の優越性を検証する。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• A Closer Look at Bearing Fault Classification Approaches [1.9531938396288886]
  近年,転がり軸受の異常診断が注目されている。 近年の技術進歩により、これらの資産の健全性を大規模に監視できるようになった。 近年,転がり軸受の異常診断が注目されている。
  論文  参考訳（メタデータ） (2023-09-29T06:11:11Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• SCLIFD:Supervised Contrastive Knowledge Distillation for Incremental Fault Diagnosis under Limited Fault Data [8.354404360859263]
  限られた断層データから識別的特徴を抽出することは困難である。 十分に訓練されたモデルは、新しいクラスからサンプルを分類するために、スクラッチから再訓練されなければならない。 モデル決定は、クラスの不均衡のため、新しいクラスに偏っている。
  論文  参考訳（メタデータ） (2023-02-12T14:50:12Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings [0.7409922717686698]
  極端学習機械(ELM)とロジスティックマッピングに基づく転がり軸受の新しい高速故障診断法を提案する。 ケース・ウェスタン・リザーブ大学(CWRU)ベアリング・データ・センターの転がり軸受振動信号データセットについて広範な実験を行った。 提案手法は,予測精度の観点から既存のSOTA比較法より優れており,最大精度は7つのサブデータ環境において100%である。
  論文  参考訳（メタデータ） (2022-04-23T03:11:02Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)
• 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)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。