論文の概要: UniFault: A Fault Diagnosis Foundation Model from Bearing Data

• arxiv url: http://arxiv.org/abs/2504.01373v1
• Date: Wed, 02 Apr 2025 05:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:09.979936
• Title: UniFault: A Fault Diagnosis Foundation Model from Bearing Data
• Title（参考訳）: UniFault:ベアリングデータから断層診断基礎モデル
• Authors: Emadeldeen Eldele, Mohamed Ragab, Xu Qing, Edward, Zhenghua Chen, Min Wu, Xiaoli Li, Jay Lee,
• Abstract要約: 既存の機械故障診断モデルは、多種多様なデータセットにまたがる限定的な一般化を伴う操作特化である。 障害診断のための基盤モデルUniFaultを導入し,これらの問題に体系的に対処する。 UniFaultは、さまざまなFDデータセットにまたがる90億以上のデータポイントで事前トレーニングされている。
• 参考スコア（独自算出の注目度）: 17.331366274926758
• License:
• Abstract: Machine fault diagnosis (FD) is a critical task for predictive maintenance, enabling early fault detection and preventing unexpected failures. Despite its importance, existing FD models are operation-specific with limited generalization across diverse datasets. Foundation models (FM) have demonstrated remarkable potential in both visual and language domains, achieving impressive generalization capabilities even with minimal data through few-shot or zero-shot learning. However, translating these advances to FD presents unique hurdles. Unlike the large-scale, cohesive datasets available for images and text, FD datasets are typically smaller and more heterogeneous, with significant variations in sampling frequencies and the number of channels across different systems and applications. This heterogeneity complicates the design of a universal architecture capable of effectively processing such diverse data while maintaining robust feature extraction and learning capabilities. In this paper, we introduce UniFault, a foundation model for fault diagnosis that systematically addresses these issues. Specifically, the model incorporates a comprehensive data harmonization pipeline featuring two key innovations. First, a unification scheme transforms multivariate inputs into standardized univariate sequences while retaining local inter-channel relationships. Second, a novel cross-domain temporal fusion strategy mitigates distribution shifts and enriches sample diversity and count, improving the model generalization across varying conditions. UniFault is pretrained on over 9 billion data points spanning diverse FD datasets, enabling superior few-shot performance. Extensive experiments on real-world FD datasets demonstrate that UniFault achieves SoTA performance, setting a new benchmark for fault diagnosis models and paving the way for more scalable and robust predictive maintenance solutions.
• Abstract（参考訳）: 機械故障診断(英: Machine fault diagnosis、FD)は、早期故障の検出と予期せぬ故障の防止を可能にする、予測的保守のための重要な課題である。 既存のFDモデルは、その重要性にもかかわらず、多種多様なデータセットにまたがる限定的な一般化を伴う操作特化である。 ファンデーションモデル(FM)は、視覚領域と言語領域の両方において顕著なポテンシャルを示し、少数ショットやゼロショット学習による最小限のデータであっても、印象的な一般化能力を達成している。 しかし、これらの進歩をFDに変換することは、ユニークなハードルとなる。 画像やテキストで利用可能な大規模で凝集性のあるデータセットとは異なり、FDデータセットは一般的に小さく、より均一であり、サンプリング周波数や異なるシステムやアプリケーションにわたるチャネルの数に大きなばらつきがある。 この不均一性は、ロバストな特徴抽出と学習能力を維持しつつ、このような多様なデータを効果的に処理できるユニバーサルアーキテクチャの設計を複雑化する。 本稿では,これらの問題に体系的に対処する障害診断基盤モデルUniFaultを紹介する。 具体的には、このモデルには、2つの重要なイノベーションを特徴とする包括的なデータ調和パイプラインが含まれている。 まず、局所的なチャネル間関係を維持しつつ、多変量入力を標準化された単変量列に変換する。 第二に、新しいドメイン間の時間融合戦略は、分散シフトを緩和し、サンプルの多様性とカウントを強化し、様々な条件でモデルの一般化を改善する。 UniFaultは、さまざまなFDデータセットにまたがる90億以上のデータポイントで事前トレーニングされている。 実世界のFDデータセットに関する大規模な実験は、UniFaultがSoTAのパフォーマンスを達成し、故障診断モデルの新たなベンチマークを設定し、よりスケーラブルで堅牢な予測保守ソリューションへの道を開くことを実証している。

関連論文リスト

• FD-LLM: Large Language Model for Fault Diagnosis of Machines [20.679299204776527]
  本研究では,時系列センサデータから故障を識別するための数値データ入力に,大規模言語モデルを効果的に適用した新しいIFD手法を提案する。 マルチクラス分類問題としてLLMのトレーニングを定式化することにより,故障診断に特化して設計されたLLMフレームワークであるFD-LLMを提案する。 FD-LLM フレームワークに基づく4つのオープンソース LLM の故障診断能力を評価し,各種動作条件下でのモデルの適応性と一般化性を評価する。
  論文  参考訳（メタデータ） (2024-12-02T07:36:35Z)
• A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
  ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。 まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。 次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
  論文  参考訳（メタデータ） (2024-08-05T23:20:32Z)
• MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
  複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。 具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。 我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
  論文  参考訳（メタデータ） (2024-01-15T12:51:13Z)
• 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)
• FedDAT: An Approach for Foundation Model Finetuning in Multi-Modal Heterogeneous Federated Learning [37.96957782129352]
  我々はFederated Dual-Aadapter Teacher(Fed DAT)と呼ばれる異種マルチモーダル基礎モデルに適した微調整フレームワークを提案する。 Fed DATは、クライアントのローカル更新を規則化し、MKD(Mutual Knowledge Distillation)を効率的な知識伝達に適用することで、データの均一性に対処する。 その有効性を示すために、異なる種類のデータ不均一性を持つ4つの多モードFLベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-08-21T21:57:01Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• 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)
• PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
  マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。 本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-30T20:01:19Z)
• 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。