論文の概要: Constructive Incremental Learning for Fault Diagnosis of Rolling
Bearings with Ensemble Domain Adaptation
- arxiv url: http://arxiv.org/abs/2308.14983v1
- Date: Tue, 29 Aug 2023 02:23:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 15:58:19.373315
- Title: Constructive Incremental Learning for Fault Diagnosis of Rolling
Bearings with Ensemble Domain Adaptation
- Title（参考訳）: アンサンブル領域適応型転がり軸受の故障診断のための構成的インクリメンタル学習
- Authors: Jiang Liu and Wei Dai
- Abstract要約: 転がり軸受の故障診断は 様々な作業条件において 現実的な問題です。
外部環境の複雑さと転がり軸受の構造は、しばしばランダムさとファジネスによって特徴づけられる欠点を示す。
本稿では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 6.7898797318208075
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Given the prevalence of rolling bearing fault diagnosis as a practical issue
across various working conditions, the limited availability of samples
compounds the challenge. Additionally, the complexity of the external
environment and the structure of rolling bearings often manifests faults
characterized by randomness and fuzziness, hindering the effective extraction
of fault characteristics and restricting the accuracy of fault diagnosis. To
overcome these problems, this paper presents a novel approach termed
constructive Incremental learning-based ensemble domain adaptation (CIL-EDA)
approach. Specifically, it is implemented on stochastic configuration networks
(SCN) to constructively improve its adaptive performance in multi-domains.
Concretely, a cloud feature extraction method is employed in conjunction with
wavelet packet decomposition (WPD) to capture the uncertainty of fault
information from multiple resolution aspects. Subsequently, constructive
Incremental learning-based domain adaptation (CIL-DA) is firstly developed to
enhance the cross-domain learning capability of each hidden node through domain
matching and construct a robust fault classifier by leveraging limited labeled
data from both target and source domains. Finally, fault diagnosis results are
obtained by a majority voting of CIL-EDA which integrates CIL-DA and parallel
ensemble learning. Experimental results demonstrate that our CIL-DA outperforms
several domain adaptation methods and CIL-EDA consistently outperforms
state-of-art fault diagnosis methods in few-shot scenarios.
- Abstract（参考訳）: 各種作業条件における転がり軸受の故障診断が実用上の問題となっていることから, サンプルの入手が限られていることが課題である。
さらに、外部環境の複雑さと転がり軸受の構造は、しばしばランダム性やファジィ性によって特徴づけられる欠陥を示し、断層特性の効果的な抽出を妨げ、故障診断の精度を制限する。
そこで本研究では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
具体的には、確率的構成ネットワーク(SCN)上に実装され、マルチドメインでの適応性を向上させる。
具体的には、ウェーブレットパケット分解(WPD)とともに雲の特徴抽出手法を用いて、複数の解像度から故障情報の不確実性を捉える。
その後、構築的インクリメンタル学習に基づくドメイン適応(CIL-DA)を開発し、ドメインマッチングを通じて各隠れノードのクロスドメイン学習能力を向上し、ターゲットドメインとソースドメインの両方から限定されたラベル付きデータを活用して堅牢なフォールト分類器を構築する。
最後に、CIL-DAと並列アンサンブル学習を統合したCIL-EDAの多数投票により、故障診断結果を得る。
実験の結果,CIL-DAはいくつかの領域適応法より優れており,CIL-EDAは数ショットのシナリオで常に最先端の故障診断法より優れていた。
関連論文リスト
- DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [25.434379659643707]
時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。
時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。
本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
論文 参考訳（メタデータ） (2024-04-17T11:20:14Z) - Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal
Approach [51.012396632595554]
不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。
最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。
本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
論文 参考訳（メタデータ） (2023-12-15T12:58:05Z) - Multi-Class Anomaly Detection based on Regularized Discriminative
Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。
提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文 参考訳（メタデータ） (2023-11-24T14:26:07Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - Weighted Joint Maximum Mean Discrepancy Enabled
Multi-Source-Multi-Target Unsupervised Domain Adaptation Fault Diagnosis [15.56929064706769]
We propose a weighted joint maximum mean discrepancy able multi-source-multi-target unsupervised domain adaptation (WJMMD-MDA)。
提案手法は,複数のラベル付きソースドメインから十分な情報を抽出し,ソースドメインとターゲットドメイン間のドメインアライメントを実現する。
提案手法の性能を3つのデータセットの総合的な比較実験で評価した。
論文 参考訳（メタデータ） (2023-10-20T16:53:31Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳（メタデータ） (2023-06-26T06:45:16Z) - DA-VSR: Domain Adaptable Volumetric Super-Resolution For Medical Images [69.63915773870758]
本稿では,ドメイン不整合ギャップを補うために,DA-VSR(Domain Adaptable Super- resolution)と呼ばれる新しいアルゴリズムを提案する。
DA-VSRは、統合された特徴抽出バックボーンと一連のネットワークヘッドを使用して、異なる平面上での画像品質を改善する。
DA-VSRは、異なる領域の多くのデータセットにおいて、超解像品質を著しく向上することを示した。
論文 参考訳（メタデータ） (2022-10-11T03:16:35Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Probabilistic Bearing Fault Diagnosis Using Gaussian Process with
Tailored Feature Extraction [10.064000794573756]
転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。
現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。
本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
論文 参考訳（メタデータ） (2021-09-19T18:34:29Z)
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。