論文の概要: Double Gradient Reversal Network for Single-Source Domain Generalization in Multi-mode Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2407.13978v1
- Date: Fri, 19 Jul 2024 02:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 19:03:23.458051
- Title: Double Gradient Reversal Network for Single-Source Domain Generalization in Multi-mode Fault Diagnosis
- Title（参考訳）: 多モード故障診断における単一ソース領域一般化のための二重勾配反転ネットワーク
- Authors: Guangqiang Li, M. Amine Atoui, Xiangshun Li,
- Abstract要約: 未確認モード障害診断のための単一モードデータからのドメイン不変のフォールト特徴が課題となる。
既存の方法は、ジェネレータモジュールを使用して、目に見えないモードのサンプルをシミュレートする。
二重勾配反転ネットワーク(DGRN)は、目に見えないモードで高い分類精度を実現するために提案される。
- 参考スコア（独自算出の注目度）: 1.9389881806157316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization achieves fault diagnosis on unseen modes. In process industrial systems, fault samples are limited, and only single-mode fault data can be obtained. Extracting domain-invariant fault features from single-mode data for unseen mode fault diagnosis poses challenges. Existing methods utilize a generator module to simulate samples of unseen modes. However, multi-mode samples contain complex spatiotemporal information, which brings significant difficulties to accurate sample generation. Therefore, double gradient reversal network (DGRN) is proposed. First, the model is pre-trained to acquire fault knowledge from the single seen mode. Then, pseudo-fault feature generation strategy is designed by Adaptive instance normalization, to simulate fault features of unseen mode. The dual adversarial training strategy is created to enhance the diversity of pseudo-fault features, which models unseen modes with significant distribution differences. Subsequently, domain-invariant feature extraction strategy is constructed by contrastive learning and adversarial learning. This strategy extracts common features of faults and helps multi-mode fault diagnosis. Finally, the experiments were conducted on Tennessee Eastman process and continuous stirred-tank reactor. The experiments demonstrate that DGRN achieves high classification accuracy on unseen modes while maintaining a small model size.
- Abstract（参考訳）: ドメインの一般化は、目に見えないモードでの障害診断を実現する。
プロセス産業システムでは、断層サンプルは限られており、単一モードの断層データしか得られない。
未確認モード障害診断のための単一モードデータからドメイン不変の障害特徴を抽出することは課題となる。
既存の方法は、ジェネレータモジュールを使用して、目に見えないモードのサンプルをシミュレートする。
しかし、マルチモードサンプルには複雑な時空間情報が含まれており、正確なサンプル生成に重大な困難をもたらす。
そこでDGRN(Double gradient Reversal Network)を提案する。
第一に、モデルは、単一表示モードからフォールト知識を取得するために事前訓練される。
次に、擬似Fault機能生成戦略をAdaptiveインスタンス正規化により設計し、未確認モードの障害特徴をシミュレートする。
二重対向学習戦略は擬似フォールト特徴の多様性を高めるために作成され、分布の差が大きい未確認モードをモデル化する。
ドメイン不変な特徴抽出戦略は、対照的な学習と敵対的な学習によって構築される。
この戦略は断層の特徴を抽出し,多モード断層診断を支援する。
最後に、実験はテネシー・イーストマン・プロセスと連続発泡タンク・リアクターで実施された。
実験により,DGRNはモデルサイズを小さく保ちながら未確認モードの分類精度が高いことを示した。
関連論文リスト
- USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。
この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
論文 参考訳（メタデータ） (2024-05-25T14:48:04Z) - Degradation Modeling and Prognostic Analysis Under Unknown Failure Modes [17.72961616186932]
操作ユニットは複雑なシステムで様々な障害モードを経験します。
現在の予測的アプローチは、劣化中の障害モードを無視したり、既知の障害モードラベルを仮定する。
センサ信号の高次元性と複雑な関係は、故障モードを正確に識別することが困難である。
論文 参考訳（メタデータ） (2024-02-29T15:57:09Z) - MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual
Variational Generative Adversarial Network [7.889342625283858]
深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。
本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。
中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
論文 参考訳（メタデータ） (2023-11-04T11:19:03Z) - LafitE: Latent Diffusion Model with Feature Editing for Unsupervised
Multi-class Anomaly Detection [12.596635603629725]
我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。
まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。
「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
論文 参考訳（メタデータ） (2023-07-16T14:41:22Z) - Understanding Deep Generative Models with Generalized Empirical
Likelihoods [3.7978679293562587]
そこで本研究では,最大平均離散性と一般化経験的類似性(Generalized Empirical Likelihood)の技術を組み合わせて,サンプルごとの解釈可能性を維持する分布テストを作成する方法について述べる。
このようなテストでは、精度/リコールの改善などの指標よりも、モード低下やモード不均衡の度合いが最大60%向上していることが判明した。
論文 参考訳（メタデータ） (2023-06-16T11:33:47Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳（メタデータ） (2023-03-09T05:52:42Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Adaptive Memory Networks with Self-supervised Learning for Unsupervised
Anomaly Detection [54.76993389109327]
教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。
本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。
AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
論文 参考訳（メタデータ） (2022-01-03T03:40:21Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳（メタデータ） (2020-09-24T19:34:37Z) - MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。
玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
論文 参考訳（メタデータ） (2020-06-18T07:38:54Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。