論文の概要: TSViT: A Time Series Vision Transformer for Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2311.06916v1
- Date: Sun, 12 Nov 2023 18:16:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 16:15:00.437153
- Title: TSViT: A Time Series Vision Transformer for Fault Diagnosis
- Title(参考訳): TSViT:故障診断のための時系列ビジョン変換器
- Authors: Shouhua Zhang, Jiehan Zhou, Xue Ma, Chenglin Wen, Susanna
Pirttikangas, Chen Yu, Weishan Zhang, Chunsheng Yang
- Abstract要約: 本稿では,新しいモデルであるTSViT(Time Series Vision Transformer)について紹介する。
一方、TSViTモデルは畳み込み層を統合し、振動信号を分割し、局所的な特徴を捉える。
一方、変換器エンコーダを用いて長期時間情報を学習する。
- 参考スコア(独自算出の注目度): 8.086850353450062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional fault diagnosis methods using Convolutional Neural Networks
(CNNs) face limitations in capturing temporal features (i.e., the variation of
vibration signals over time). To address this issue, this paper introduces a
novel model, the Time Series Vision Transformer (TSViT), specifically designed
for fault diagnosis. On one hand, TSViT model integrates a convolutional layer
to segment vibration signals and capture local features. On the other hand, it
employs a transformer encoder to learn long-term temporal information. The
experimental results with other methods on two distinct datasets validate the
effectiveness and generalizability of TSViT with a comparative analysis of its
hyperparameters' impact on model performance, computational complexity, and
overall parameter quantity. TSViT reaches average accuracies of 100% and 99.99%
on two test sets, correspondingly.
- Abstract(参考訳): 畳み込みニューラルネットワーク(cnns)を用いた従来の故障診断手法は、時間的特徴(すなわち、時間経過に伴う振動信号の変動)を捉える際の限界に直面する。
本稿では, 故障診断に特化して設計された新しいモデルであるTSViTを提案する。
一方、TSViTモデルは畳み込み層を統合し、振動信号を分割し、局所的な特徴を捉える。
一方で、長期的な時間情報を学ぶためにトランスフォーマエンコーダを用いる。
2つの異なるデータセットの他の手法による実験結果は、TSViTの有効性と一般化性をモデル性能、計算複雑性、および全体パラメータ量に対するハイパーパラメータの影響の比較分析により検証した。
TSViTは2つのテストセットで平均100%と99.99%に達する。
関連論文リスト
- TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
時系列データは、その固有の長短の依存関係によって特徴づけられる。
本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。
我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
論文 参考訳(メタデータ) (2024-04-12T13:41:29Z) - TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis [0.5277756703318045]
本稿では,音環境における故障診断性能を向上させるため,TDANet(Tunal Denoise Convolutional Neural Network With Attention)を提案する。
TDANetモデルは、その周期特性に基づいて1次元信号を2次元テンソルに変換し、マルチスケールの2次元畳み込みカーネルを用いて周期内および周期間の信号情報を抽出する。
CWRU (single sensor) とReal Aircraft Sensor Fault (multiple sensor) の2つのデータセットに対する評価は、TDANetモデルがノイズの多い環境下での診断精度において既存のディープラーニングアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2024-03-29T02:54:41Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series [7.514010315664322]
本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
論文 参考訳(メタデータ) (2023-12-04T08:38:54Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。
我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。
既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。
また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-26T05:31:23Z) - ViTs for SITS: Vision Transformers for Satellite Image Time Series [52.012084080257544]
ビジョン変換器(ViT)に基づく一般衛星画像時系列(SITS)処理のための完全アテンショナルモデルを提案する。
TSViTはSITSレコードを空間と時間で重複しないパッチに分割し、トークン化し、分解されたテンポロ空間エンコーダで処理する。
論文 参考訳(メタデータ) (2023-01-12T11:33:07Z) - DisCoVQA: Temporal Distortion-Content Transformers for Video Quality
Assessment [56.42140467085586]
いくつかの時間的変動は時間的歪みを引き起こし、余分な品質劣化を引き起こす。
人間の視覚システムは、しばしば異なる内容のフレームに対して異なる注意を向ける。
本稿では, この2つの問題に対処するための, トランスフォーマーを用いたVQA手法を提案する。
論文 参考訳(メタデータ) (2022-06-20T15:31:27Z) - Vision Transformers are Robust Learners [65.91359312429147]
ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。
ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
論文 参考訳(メタデータ) (2021-05-17T02:39:22Z) - A novel Time-frequency Transformer and its Application in Fault
Diagnosis of Rolling Bearings [0.24214594180459362]
シーケンス処理における標準変換器の膨大な成功に触発された新しい時間周波数変換器(TFT)モデルを提案する。
本稿では,TFTに基づく新しいエンドツーエンドの故障診断フレームワークについて述べる。
論文 参考訳(メタデータ) (2021-04-19T06:53:31Z)
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。