論文の概要: Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry
- arxiv url: http://arxiv.org/abs/2405.19642v1
- Date: Thu, 30 May 2024 02:51:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 18:26:21.634553
- Title: Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry
- Title（参考訳）: 産業用マルチスケールグラフ畳み込みフィルタによる断層診断
- Authors: Mengjie Gan, Penglong Lian, Zhiheng Su, Jiyang Zhang, Jialong Huang, Benhao Wang, Jianxiao Zou, Shicai Fan,
- Abstract要約: マルチスケールグラフ畳み込みフィルタ(MSGCF)を用いた故障診断手法を提案する。
MSGCFは、グラフ畳み込みフィルタブロックにローカル情報融合モジュールとグローバル情報融合モジュールを統合することで、従来のグラフニューラルネットワークフレームワークを強化する。
パーダーボルン大学ベアリングデータセット(PU)の実験では、提案したMSGCF法が精度において代替アプローチを上回ることが示されている。
- 参考スコア（独自算出の注目度）: 1.673828135656713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial equipment fault diagnosis often encounter challenges such as the scarcity of fault data, complex operating conditions, and varied types of failures. Signal analysis, data statistical learning, and conventional deep learning techniques face constraints under these conditions due to their substantial data requirements and the necessity for transfer learning to accommodate new failure modes. To effectively leverage information and extract the intrinsic characteristics of faults across different domains under limited sample conditions, this paper introduces a fault diagnosis approach employing Multi-Scale Graph Convolution Filtering (MSGCF). MSGCF enhances the traditional Graph Neural Network (GNN) framework by integrating both local and global information fusion modules within the graph convolution filter block. This advancement effectively mitigates the over-smoothing issue associated with excessive layering of graph convolutional layers while preserving a broad receptive field. It also reduces the risk of overfitting in few-shot diagnosis, thereby augmenting the model's representational capacity. Experiments on the University of Paderborn bearing dataset (PU) demonstrate that the MSGCF method proposed herein surpasses alternative approaches in accuracy, thereby offering valuable insights for industrial fault diagnosis in few-shot learning scenarios.
- Abstract（参考訳）: 産業機器故障診断は、断層データの不足、複雑な運転条件、様々な種類の故障などの問題に遭遇することが多い。
信号解析,データ統計学習,および従来のディープラーニング技術は,これらの条件下での制約に直面している。
本稿では,MSGCF(Multi-Scale Graph Convolution Filtering)を用いた故障診断手法を提案する。
MSGCFは、ローカルおよびグローバル情報融合モジュールをグラフ畳み込みフィルタブロックに統合することにより、従来のグラフニューラルネットワーク(GNN)フレームワークを強化する。
この進歩は、広い受容場を維持しながら、グラフ畳み込み層の過剰な層化に伴う過度に平滑な問題を効果的に緩和する。
また、数発の診断において過度に適合するリスクを減らし、それによってモデルの表現能力が増大する。
パーダーボルン大学ベアリングデータセット(PU)の実験により、提案したMSGCF法は、精度の代替アプローチを超越し、数ショットの学習シナリオにおける産業的故障診断のための貴重な洞察を提供することを示した。
関連論文リスト
- Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities [9.476402318365446]
本研究では,データサンプルの不均一性だけでなく,機関間のデータモダリティの固有不均一性と不均一性を両立する新しいFLアーキテクチャを提案する。
マルチモーダルFLに適した分散勾配ブレンディングと近接対応クライアント重み付け戦略を考案した。
論文 参考訳（メタデータ） (2024-01-07T23:45:01Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
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。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on
Broad Learning System [26.733033919978364]
本稿では,産業システムにおけるリアルタイムマルチモード故障診断のための新しい手法を提案する。
提案手法では,拡張エビデンス推論 (ER) アルゴリズムを用いて情報を融合し,異なる基底分類器から出力をマージする。
提案手法の有効性は、マルチモードのテネシー・イーストマンプロセスデータセット上で実証される。
論文 参考訳（メタデータ） (2023-04-29T04:42:44Z) - Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion
Sequence in Complex Scenarios [0.0]
転がり軸受は回転機械において重要な要素であり、その欠陥は深刻な損傷を引き起こす可能性がある。
異常の早期発見は破滅的な事故を防ぐために不可欠である。
従来のインテリジェントな手法は時系列データを解析するのに用いられてきたが、現実のシナリオでは、センサデータはノイズが多く、時間領域で正確に特徴付けることはできない。
本稿では,産業シナリオに展開するためのマルチスケール機能融合モデルとディープラーニング圧縮技術を用いて,畳み込みニューラルネットワークの改良手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T13:05:50Z) - 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) - Diverse Sample Generation: Pushing the Limit of Data-free Quantization [85.95032037447454]
本稿では,データ不要なポストトレーニング量子化と量子化学習のための汎用的な2次サンプル生成手法を提案する。
大規模な画像分類タスクでは、DSGは既存のデータ自由量子化手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-09-01T07:06:44Z) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳（メタデータ） (2021-05-20T13:13:29Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳（メタデータ） (2020-07-17T01:56:28Z)
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。