論文の概要: Constraint-Guided Learning of Data-driven Health Indicator Models: An Application on the Pronostia Bearing Dataset
- arxiv url: http://arxiv.org/abs/2503.09113v1
- Date: Wed, 12 Mar 2025 07:01:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-13 15:39:59.005319
- Title: Constraint-Guided Learning of Data-driven Health Indicator Models: An Application on the Pronostia Bearing Dataset
- Title（参考訳）: データ駆動型健康指標モデルの制約型学習:プロノステアベアリングデータセットへの応用
- Authors: Yonas Tefera, Quinten Van Baelen, Maarten Meire, Stijn Luca, Peter Karsmakers,
- Abstract要約: 本稿では,身体的一貫した健康指標を開発するための制約誘導型ディープラーニングフレームワークを提案する。
我々は、オートエンコーダアーキテクチャ内で制約誘導勾配降下を実装し、制約付きオートエンコーダを作成する。
パフォーマンスは、トレーサビリティ、堅牢性、一貫性の3つの指標を使って評価される。
- 参考スコア（独自算出の注目度）: 0.7340017786387768
- License:
- Abstract: This paper presents a constraint-guided deep learning framework for developing physically consistent health indicators in bearing prognostics and health management. Conventional data-driven methods often lack physical plausibility, while physics-based models are limited by incomplete system knowledge. To address this, we integrate domain knowledge into deep learning using constraints to enforce monotonicity, bound output values between 1 and 0 (representing healthy to failed states), and ensure consistency between signal energy trends and health indicator estimates. This eliminates the need for complex loss term balancing. We implement constraint-guided gradient descent within an autoencoder architecture, creating a constrained autoencoder. However, the framework is adaptable to other architectures. Using time-frequency representations of accelerometer signals from the Pronostia dataset, our constrained model generates smoother, more reliable degradation profiles compared to conventional methods, aligning with expected physical behavior. Performance is assessed using three metrics: trendability, robustness, and consistency. Compared to a conventional baseline, the constrained model improves all three. Another baseline, incorporating monotonicity via a soft-ranking loss function, outperforms in trendability but falls short in robustness and consistency. An ablation study confirms that the monotonicity constraint enhances trendability, the boundary constraint ensures consistency, and the energy-health consistency constraint improves robustness. These findings highlight the effectiveness of constraint-guided deep learning in producing reliable, physically meaningful health indicators, offering a promising direction for future prognostic applications.
- Abstract（参考訳）: 本稿では,身体的整合性のある健康指標を開発するための制約誘導型深層学習フレームワークを提案する。
従来のデータ駆動方式は物理的妥当性に欠けることが多いが、物理ベースのモデルは不完全なシステム知識によって制限される。
そこで本研究では,信号エネルギーのトレンドと健康指標の推定値との整合性を確保するため,単調性に制約を課し,出力値を1から0に制限し,ドメイン知識を深層学習に統合する。
これにより、複雑な損失項のバランスが不要になる。
我々は、オートエンコーダアーキテクチャ内で制約誘導勾配降下を実装し、制約付きオートエンコーダを作成する。
しかし、このフレームワークは他のアーキテクチャにも適用可能である。
Pronostiaデータセットからの加速度センサ信号の時間周波数表現を用いて、制約付きモデルにより、従来手法よりもスムーズで信頼性の高い劣化プロファイルが生成され、予測された物理的挙動と整合する。
パフォーマンスは、トレーサビリティ、堅牢性、一貫性の3つの指標を使って評価される。
従来のベースラインと比較して、制約付きモデルは3つすべてを改善する。
ソフトグレードの損失関数による単調性を取り入れたもうひとつのベースラインは、トレーサビリティでは優れるが、ロバスト性や一貫性には劣る。
アブレーション研究では、モノトニック性制約がトレーサビリティを高め、境界制約が一貫性を保証し、エネルギー・健康性制約がロバスト性を向上させることが確認されている。
これらの知見は, 信頼性, 物理的に有意な健康指標の作成において, 制約誘導型ディープラーニングの有効性を強調した。
関連論文リスト
- Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。
本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-05T09:16:56Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z) - ConSequence: Synthesizing Logically Constrained Sequences for Electronic
Health Record Generation [37.72570170375048]
本稿では、ドメイン知識を逐次生成ニューラルネットワーク出力に統合するための効果的なアプローチであるConSequenceを提案する。
本研究では,コンシークエンスの電子健康記録作成における効果を実証し,コンシークエンスの時間的・空間的制約満足度を総合的に評価した。
論文 参考訳（メタデータ） (2023-12-10T18:43:37Z) - Controlled physics-informed data generation for deep learning-based
remaining useful life prediction under unseen operation conditions [3.6750425865066925]
本研究は,制御された物理インフォームドデータ生成手法と深層学習に基づく予後予測モデルを組み合わせたものである。
新たに制御された物理インフォームド生成逆数ネットワーク (CPI-GAN) を開発し, 合成劣化軌道を生成する。
生成された軌道はRUL予測の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-04-23T17:34:26Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - Guaranteed Trajectory Tracking under Learned Dynamics with Contraction Metrics and Disturbance Estimation [5.147919654191323]
本稿では,制約指標と外乱推定に基づく軌道中心学習制御へのアプローチを提案する。
提案するフレームワークは、平面四重項の例で検証される。
論文 参考訳（メタデータ） (2021-12-15T15:57:33Z) - A Theoretical Overview of Neural Contraction Metrics for Learning-based
Control with Guaranteed Stability [7.963506386866862]
本稿では,最適縮尺と対応する微分リャプノフ関数のニューラルネットワークモデルを提案する。
そのイノベーションは、学習ベースの制御フレームワークに対して、正式な堅牢性を保証することである。
論文 参考訳（メタデータ） (2021-10-02T00:28:49Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳（メタデータ） (2020-07-16T16:39:54Z)
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。