論文の概要: Active Foundational Models for Fault Diagnosis of Electrical Motors
- arxiv url: http://arxiv.org/abs/2311.15516v1
- Date: Mon, 27 Nov 2023 03:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 17:17:13.451349
- Title: Active Foundational Models for Fault Diagnosis of Electrical Motors
- Title（参考訳）: 電気モータの故障診断のためのアクティブ基礎モデル
- Authors: Sriram Anbalagan, Sai Shashank GP, Deepesh Agarwal, Balasubramaniam
Natarajan, Babji Srinivasan
- Abstract要約: 電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.5999777817331317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault detection and diagnosis of electrical motors are of utmost importance
in ensuring the safe and reliable operation of several industrial systems.
Detection and diagnosis of faults at the incipient stage allows corrective
actions to be taken in order to reduce the severity of faults. The existing
data-driven deep learning approaches for machine fault diagnosis rely
extensively on huge amounts of labeled samples, where annotations are expensive
and time-consuming. However, a major portion of unlabeled condition monitoring
data is not exploited in the training process. To overcome this limitation, we
propose a foundational model-based Active Learning framework that utilizes less
amount of labeled samples, which are most informative and harnesses a large
amount of available unlabeled data by effectively combining Active Learning and
Contrastive Self-Supervised Learning techniques. It consists of a transformer
network-based backbone model trained using an advanced nearest-neighbor
contrastive self-supervised learning method. This approach empowers the
backbone to learn improved representations of samples derived from raw,
unlabeled vibration data. Subsequently, the backbone can undergo fine-tuning to
address a range of downstream tasks, both within the same machines and across
different machines. The effectiveness of the proposed methodology has been
assessed through the fine-tuning of the backbone for multiple target tasks
using three distinct machine-bearing fault datasets. The experimental
evaluation demonstrates a superior performance as compared to existing
state-of-the-art fault diagnosis methods with less amount of labeled data.
- Abstract（参考訳）: 電気モーターの故障検出と診断は、いくつかの産業システムの安全で信頼性の高い運用を確保する上で最も重要である。
初期段階での障害の検出と診断は、障害の深刻度を低減するために修正措置を講じることを可能にする。
既存の機械学習による機械学習アプローチは、大量のラベル付きサンプルに依存しており、アノテーションは高価で時間がかかる。
しかし、未ラベル状態監視データの大部分は、トレーニングプロセスでは利用されない。
この制限を克服するために,より少ないラベル付きサンプルを利用する基本モデルに基づくアクティブラーニングフレームワークを提案し,アクティブラーニングとコントラスト型自己監督学習を効果的に組み合わせることで,利用可能な膨大なラベル付きデータを活用する。
これは、最先端のneighbor-neighborコントラスト自己教師付き学習法を用いてトレーニングされたトランスフォーマネットワークベースのバックボーンモデルで構成されている。
このアプローチは、生のラベルのない振動データから得られたサンプルの表現を改善することをバックボーンに与える。
その後、バックボーンは、同じマシン内および異なるマシン間で、さまざまなダウンストリームタスクに対処するための微調整を行うことができる。
提案手法の有効性は,3つの異なる故障データセットを用いて,複数の目標タスクに対するバックボーンの微調整によって評価されている。
実験評価の結果,ラベル付きデータの少ない既往の故障診断法と比較して,優れた性能が得られた。
関連論文リスト
- Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。
このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
論文 参考訳（メタデータ） (2024-01-29T03:42:37Z) - Foundational Models for Fault Diagnosis of Electrical Motors [0.29494468099506893]
本研究は、電動機の故障診断のための基礎モデルを構築するための枠組みを提案する。
ニューラルネットワークベースのバックボーンを構築して、自己教師付き学習を使用して高度な機能を学習し、特定の目的を達成するためにバックボーンを微調整する。
論文 参考訳（メタデータ） (2023-07-31T17:58:16Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。
本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2022-12-20T19:29:37Z) - 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) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - An Explainable Artificial Intelligence Approach for Unsupervised Fault
Detection and Diagnosis in Rotating Machinery [2.055054374525828]
本稿では,回転機械の故障検出と診断のための新しい手法を提案する。
この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。
提案手法の有効性は,機械的故障の異なる3つのデータセットに示される。
論文 参考訳（メタデータ） (2021-02-23T18:28:18Z) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z) - Implicit supervision for fault detection and segmentation of emerging
fault types with Deep Variational Autoencoders [1.160208922584163]
本研究では,ラベル付きおよびラベルなしサンプルを用いた可変オートエンコーダ(VAE)を提案する。
これによりコンパクトで情報に富んだ潜在表現が生成され、未確認のフォールトタイプの検出とセグメンテーションが良好になる。
本研究では,提案手法が他の学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2019-12-28T18:40:33Z)
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。