Fugu-MT 論文翻訳(概要): Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data

論文の概要: Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data

arxiv url: http://arxiv.org/abs/2406.11023v1
Date: Sun, 16 Jun 2024 17:36:53 GMT
ステータス: 処理完了
システム内更新日: 2024-06-18 19:23:12.320708
Title: Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data
Title（参考訳）: 物理インフォームドディープラーニングと部分伝達学習による高損失データを用いた軸受故障診断
Authors: Mohammadreza Kavianpour, Parisa Kavianpour, Amin Ramezani,
Abstract要約: 本稿では,物理インフォームド深層学習技術を用いて合成ラベル付きデータを生成するPTPAI法を提案する。不均衡なクラス問題と部分セット障害診断ハードルに対処する。 CWRUとJNUデータセットの実験結果は、提案手法がこれらの問題に効果的に対処していることを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the most significant obstacles in bearing fault diagnosis is a lack of labeled data for various fault types. Also, sensor-acquired data frequently lack labels and have a large amount of missing data. This paper tackles these issues by presenting the PTPAI method, which uses a physics-informed deep learning-based technique to generate synthetic labeled data. Labeled synthetic data makes up the source domain, whereas unlabeled data with missing data is present in the target domain. Consequently, imbalanced class problems and partial-set fault diagnosis hurdles emerge. To address these challenges, the RF-Mixup approach is used to handle imbalanced classes. As domain adaptation strategies, the MK-MMSD and CDAN are employed to mitigate the disparity in distribution between synthetic and actual data. Furthermore, the partial-set challenge is tackled by applying weighting methods at the class and instance levels. Experimental outcomes on the CWRU and JNU datasets indicate that the proposed approach effectively addresses these problems.
Abstract（参考訳）: 断層診断を行う上で最も重要な障害の1つは、様々な断層タイプに対するラベル付きデータの欠如である。また、センサーが取得したデータはラベルを欠くことが多く、大量の欠落データを持っている。本稿では、物理インフォームド深層学習技術を用いて合成ラベル付きデータを生成するPTPAI法を提案することにより、これらの課題に対処する。ラベル付けされた合成データがソースドメインを構成するのに対して、ラベル付けされていないデータと欠落したデータがターゲットドメインに存在する。その結果、不均衡なクラス問題と部分セットの故障診断ハードルが出現する。これらの課題に対処するため、RF-Mixupアプローチは不均衡なクラスを扱うために使用される。ドメイン適応戦略として、MK-MMSDとCDANを用いて、合成データと実際のデータの分散の格差を軽減する。さらに、クラスとインスタンスレベルで重み付け手法を適用することで、部分集合の課題に取り組む。 CWRUとJNUデータセットの実験結果は、提案手法がこれらの問題に効果的に対処していることを示している。

関連論文リスト

Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文参考訳（メタデータ） (2024-03-19T18:57:53Z)
Parameter-tuning-free data entry error unlearning with adaptive selective synaptic dampening [51.34904967046097]
本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
論文参考訳（メタデータ） (2024-02-06T14:04:31Z)
Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文参考訳（メタデータ） (2024-01-18T16:59:27Z)
A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文参考訳（メタデータ） (2023-10-11T15:21:40Z)
Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
論文参考訳（メタデータ） (2023-09-19T20:09:15Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文参考訳（メタデータ） (2023-08-28T18:48:34Z)
Domain knowledge-informed Synthetic fault sample generation with Health Data Map for cross-domain Planetary Gearbox Fault Diagnosis [7.88657961743755]
本稿では、健康データマップ(HDMap)を利用した2つの新しいドメイン知識情報合成手法を提案する。 HDMapは、惑星のギアボックスの振動信号を画像のようなマトリックスとして物理的に表現するために使用され、断層に関連した特徴を可視化することができる。次に、CutPasteとFactPasteが適用され、ソースドメインから抽出されたドメイン知識と障害シグネチャを使用して、ターゲットドメインの健全なデータに基づいて障害サンプルを生成する。
論文参考訳（メタデータ） (2023-05-31T05:37:17Z)
Autoencoder-based Anomaly Detection in Streaming Data with Incremental Learning and Concept Drift Adaptation [10.41066461952124]
ドリフト検出(strAEm++DD)を用いた自動エンコーダに基づく漸進学習手法を提案する。提案手法は,逐次学習とドリフト検出の両方の利点を利用する。我々は,重度あるいは極度のクラス不均衡を持つ実世界のデータセットと合成データセットを用いて実験を行い,StraAEm++DDの実証分析を行った。
論文参考訳（メタデータ） (2023-05-15T19:40:04Z)
Self-Supervised Learning for Data Scarcity in a Fatigue Damage Prognostic Problem [0.0]
自己監督学習(Self-Supervised Learning)は、教師なし学習アプローチのサブカテゴリである。本稿では,未ラベルセンサデータを用いた自己学習型DLモデルの有効性について検討する。その結果, 自己教師付き事前学習モデルでは, 下流RUL予測タスクにおいて, 非事前学習モデルよりも大幅に優れていることがわかった。
論文参考訳（メタデータ） (2023-01-20T06:45:32Z)
Imbalanced data preprocessing techniques utilizing local data characteristics [2.28438857884398]
データ不均衡は、異なるクラスから来るトレーニング観察の数の間の不均衡である。この論文の焦点は、新しいデータ再サンプリング戦略の開発である。
論文参考訳（メタデータ） (2021-11-28T11:48:26Z)

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。