論文の概要: TSViT: A Time Series Vision Transformer for Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2311.06916v2
• Date: Sun, 13 Oct 2024 17:13:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-15 21:41:14.614006
• 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, Susanna Pirttikangas, Chunsheng Yang,
• Abstract要約: 本稿では,効率的な故障診断のための時系列ビジョン変換器(TSViT)を提案する。 TSViTは畳み込み層を組み込み、振動信号から局所的な特徴を抽出する。 TSViTは2つのテストセットで前例のない平均精度を達成し、もう1つのテストセットで99.99%を達成している。
• 参考スコア（独自算出の注目度）: 2.710064390178205
• License:
• Abstract: Traditional fault diagnosis methods using Convolutional Neural Networks (CNNs) often struggle with capturing the temporal dynamics of vibration signals. To overcome this, the application of Transformer-based Vision Transformer (ViT) methods to fault diagnosis is gaining attraction. Nonetheless, these methods typically require extensive preprocessing, which increases computational complexity, potentially reducing the efficiency of the diagnosis process. Addressing this gap, this paper presents the Time Series Vision Transformer (TSViT), tailored for effective fault diagnosis. TSViT incorporates a convolutional layer to extract local features from vibration signals, alongside a transformer encoder to discern long-term temporal patterns. A thorough experimental comparison on three diverse datasets demonstrates TSViT's effectiveness and adaptability. Moreover, the paper delves into the influence of hyperparameter tuning on the model's performance, computational demand, and parameter count. Remarkably, TSViT achieves an unprecedented 100% average accuracy on two test sets and 99.99% on another, showcasing its exceptional diagnostic capabilities.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)を用いた従来の故障診断法は、しばしば振動信号の時間的ダイナミクスを捉えるのに苦労する。 これを解決するためにTransformer-based Vision Transformer (ViT) 法の故障診断への応用が注目されている。 しかしながら、これらの手法は一般に広範な前処理を必要とするため、計算の複雑さが増大し、診断プロセスの効率が低下する可能性がある。 このギャップに対処するために,本論文では,効率的な故障診断に適した時系列ビジョン変換器(TSViT)を提案する。 TSViTは畳み込み層を組み込み、振動信号から局所的な特徴を抽出する。 3つの多様なデータセットに対する徹底的な実験的比較は、TSViTの有効性と適応性を示している。 さらに,ハイパーパラメータチューニングがモデルの性能,計算要求,パラメータ数に与える影響についても検討した。 TSViTは2つのテストセットで前例のない平均精度を達成し、また別のテストセットで99.99%を獲得し、異常な診断能力を示している。

関連論文リスト

• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• 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)
• 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)
• Power Quality Event Recognition and Classification Using an Online Sequential Extreme Learning Machine Network based on Wavelets [0.0]
  本研究では,過渡条件下での電力品質問題を検出するために,ウェーブレットに基づくオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)分類器の試作と試験を行った。 様々なタイプのパワー障害を検出し、分類する能力を示すために、いくつかの一時的なイベントが使用された。
  論文  参考訳（メタデータ） (2022-12-27T06:33:46Z)
• Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features [0.0]
  過渡的な合成特徴を持つディープフィードフォワードネットワークに基づく断層診断手法を提案する。 平均断層診断精度は、過渡的な合成断層データに対して97.85%に達する。 オンライン断層診断実験により,本手法が故障IGBTを正確に検出できることが判明した。
  論文  参考訳（メタデータ） (2022-11-01T02:32:20Z)
• Q-ViT: Accurate and Fully Quantized Low-bit Vision Transformer [56.87383229709899]
  我々は、完全量子化視覚変換器(Q-ViT)のための情報修正モジュール(IRM)と分配誘導蒸留法を開発した。 我々の手法は、先行技術よりもはるかに優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-13T04:00:29Z)
• 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)
• TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
  TranADはディープトランスネットワークに基づく異常検出および診断モデルである。 注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-01-18T19:41:29Z)
• 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。