論文の概要: Domain Adaptation-based Edge Computing for Cross-Conditions Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2411.10340v1
• Date: Fri, 15 Nov 2024 16:40:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:29.690223
• Title: Domain Adaptation-based Edge Computing for Cross-Conditions Fault Diagnosis
• Title（参考訳）: 領域適応型エッジコンピューティングによるクロスコンディション故障診断
• Authors: Yanzhi Wang, Chu Wang, Jinhong Wu, Ziyang Yu, Qi Zhou,
• Abstract要約: 本稿では,エッジコンピューティングシナリオを対象としたドメイン適応に基づく軽量故障診断フレームワークを提案する。 クラウドモデルから得られた故障診断の専門知識を適応知識伝達法を用いて軽量エッジモデルに転送する。 診断精度は, 平均34.44%, 17.33%と有意に向上した。
• 参考スコア（独自算出の注目度）: 31.06621257486631
• License:
• Abstract: Fault diagnosis technology supports the healthy operation of mechanical equipment. However, the variations conditions during the operation of mechanical equipment lead to significant disparities in data distribution, posing challenges to fault diagnosis. Furthermore, when deploying applications, traditional methods often encounter issues such as latency and data security. Therefore, conducting fault diagnosis and deploying application methods under cross-operating conditions holds significant value. This paper proposes a domain adaptation-based lightweight fault diagnosis framework for edge computing scenarios. Incorporating the local maximum mean discrepancy into knowledge transfer aligns the feature distributions of different domains in a high-dimensional feature space, to discover a common feature space across domains. The acquired fault diagnosis expertise from the cloud-model is transferred to the lightweight edge-model using adaptation knowledge transfer methods. While ensuring real-time diagnostic capabilities, accurate fault diagnosis is achieved across working conditions. We conducted validation experiments on the NVIDIA Jetson Xavier NX kit. In terms of diagnostic performance, the proposed method significantly improved diagnostic accuracy, with average increases of 34.44% and 17.33% compared to the comparison method, respectively. Regarding lightweight effectiveness, proposed method achieved an average inference speed increase of 80.47%. Additionally, compared to the cloud-model, the parameter count of the edge-model decreased by 96.37%, while the Flops decreased by 83.08%.
• Abstract（参考訳）: 故障診断技術は機械機器の健全な操作を支援する。 しかし, 機械機器の運転時の変動条件はデータ分布の相違を招き, 故障診断への課題を提起した。 さらに、アプリケーションをデプロイする場合、従来のメソッドはレイテンシやデータセキュリティといった問題に遭遇することが多い。 そのため,クロスオペレーティング条件下での故障診断および展開手法は重要な意味を持つ。 本稿では,エッジコンピューティングシナリオを対象としたドメイン適応に基づく軽量故障診断フレームワークを提案する。 局所的な最大平均誤差を知識伝達に組み込むことで、高次元の特徴空間における異なる領域の特徴分布を整合させ、ドメイン間の共通特徴空間を発見する。 クラウドモデルから得られた故障診断の専門知識を適応知識伝達法を用いて軽量エッジモデルに転送する。 リアルタイム診断機能を保証する一方で、作業条件によって正確な故障診断が達成される。 NVIDIA Jetson Xavier NX キットの検証実験を行った。 診断精度は, 比較法と比較して平均34.44%, 17.33%向上し, 診断精度は有意に向上した。 軽量化について,提案手法は平均推算速度を80.47%向上させた。 さらに、雲モデルと比較してエッジモデルのパラメータ数は96.37%減少し、フロップは83.08%減少した。

関連論文リスト

• Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
  本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。 我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。 乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
  論文  参考訳（メタデータ） (2024-08-15T23:46:37Z)
• Automated Romberg Test: Leveraging a CNN and Centre of Mass Analysis for Sensory Ataxia Diagnosis [0.0]
  本稿では,ロームバーグ自動検査により感覚失調症を診断する新しい手法を提案する。 畳み込みニューラルネットワークを用いて関節位置を予測し、様々な生体力学的マーカーの計算に使用される。 計算された相対重量分布差の平均絶対誤差は0.2912%であり、診断では83.33パーセントの精度が得られた。
  論文  参考訳（メタデータ） (2024-07-25T08:30:40Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
  本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。 提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。 提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
  論文  参考訳（メタデータ） (2023-10-20T23:56:53Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Generalized Out-of-distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning [8.583116999933731]
  本稿では,診断サブタスクを統合するために,一般化されたアウト・オブ・ディストリビューション障害診断フレームワークを提案する。 内部のコントラスト学習とマハラノビス距離に基づく統一的な断層診断手法が提案手法の基盤となる。 提案手法は,複数の故障診断タスクに適用可能であり,既存の単一タスク法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-06-27T07:50:25Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Post-hoc Interpretability based Parameter Selection for Data Oriented Nuclear Reactor Accident Diagnosis System [0.0]
  本研究では, 深層学習におけるポストホック解釈可能性理論を用いて, 原子力プラントの熱水理パラメータの選択法を提案する。 TRES-CNNに基づく診断モデルは,HPR1000の選択した15のパラメータを用いて,LOCAの破断の位置と大きさを正確に予測する。
  論文  参考訳（メタデータ） (2022-08-03T01:53:11Z)
• 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)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。