論文の概要: Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2504.09427v1
• Date: Sun, 13 Apr 2025 04:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:48:49.953380
• Title: Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis
• Title（参考訳）: GATとトランスフォーマーに基づくロバスト故障診断のためのアンサンブル強化グラフオートエンコーダ
• Authors: Moirangthem Tiken Singh,
• Abstract要約: 本研究では,新しい断層分類フレームワークを提案する。 様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する。 ディープグラフ変換器エンコーダ、デコーダ、アンサンブルを備えたグラフオート(GAE)を開発し、潜在グラフ表現を学習し、故障を分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Fault classification in industrial machinery is vital for enhancing reliability and reducing downtime, yet it remains challenging due to the variability of vibration patterns across diverse operating conditions. This study introduces a novel graph-based framework for fault classification, converting time-series vibration data from machinery operating at varying horsepower levels into a graph representation. We utilize Shannon's entropy to determine the optimal window size for data segmentation, ensuring each segment captures significant temporal patterns, and employ Dynamic Time Warping (DTW) to define graph edges based on segment similarity. A Graph Auto Encoder (GAE) with a deep graph transformer encoder, decoder, and ensemble classifier is developed to learn latent graph representations and classify faults across various categories. The GAE's performance is evaluated on the Case Western Reserve University (CWRU) dataset, with cross-dataset generalization assessed on the HUST dataset. Results show that GAE achieves a mean F1-score of 0.99 on the CWRU dataset, significantly outperforming baseline models-CNN, LSTM, RNN, GRU, and Bi-LSTM (F1-scores: 0.94-0.97, p < 0.05, Wilcoxon signed-rank test for Bi-LSTM: p < 0.05) -- particularly in challenging classes (e.g., Class 8: 0.99 vs. 0.71 for Bi-LSTM). Visualization of dataset characteristics reveals that datasets with amplified vibration patterns and diverse fault dynamics enhance generalization. This framework provides a robust solution for fault diagnosis under varying conditions, offering insights into dataset impacts on model performance.
• Abstract（参考訳）: 産業機械の故障分類は信頼性の向上とダウンタイムの低減に不可欠であるが, 多様な運転条件における振動パターンの変動により, 依然として困難である。 本研究では,様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する,新しい断層分類フレームワークを提案する。 我々はShannonのエントロピーを用いて、データセグメンテーションの最適なウィンドウサイズを決定し、各セグメントが重要な時間パターンをキャプチャし、セグメント類似性に基づいてグラフエッジを定義するために動的時間ワープ(DTW)を利用する。 ディープグラフトランスフォーマーエンコーダ,デコーダ,アンサンブル分類器を備えたグラフオートエンコーダ(GAE)を開発した。 GAEのパフォーマンスはケース・ウェスタン・リザーブ大学(CWRU)データセットで評価され、HUSTデータセットでクロスデータセットの一般化が評価される。 その結果、GAEはCWRUデータセット上で平均0.99のF1スコアを達成し、CNN、LSTM、RNN、GRU、Bi-LSTM(F1スコア: 0.94-0.97、p < 0.05、Wilcoxon符号ランクテスト: p < 0.05)、特に難易度クラス(例えば、クラス8: 0.99、Bi-LSTMは 0.71)において、ベースラインモデルよりも大幅に優れていた。 データセット特性の可視化により、増幅振動パターンと多様な断層ダイナミクスを持つデータセットが一般化を促進することが明らかとなった。 このフレームワークは、さまざまな条件下での障害診断のための堅牢なソリューションを提供し、モデルパフォーマンスに対するデータセットへの影響に関する洞察を提供する。

関連論文リスト

• Graph-Driven Models for Gas Mixture Identification and Concentration Estimation on Heterogeneous Sensor Array Signals [21.680865350234164]
  本研究では、時間グラフ構造を統合した2つの新しいディープラーニングモデルを構築し、性能を向上させる。 GraphCapsNetとGraphANetはどちらも高い精度と安定性を示し、産業環境でのスケーラブルなガス分析のための有望なソリューションとして位置づけている。
  論文  参考訳（メタデータ） (2024-12-18T14:32:30Z)
• FedRGL: Robust Federated Graph Learning for Label Noise [5.296582539751589]
  Federated Graph Learning(FGL)は、グラフニューラルネットワークに基づく分散機械学習パラダイムである。 本稿では,FedRGLと呼ばれるラベルノイズを用いた頑健なグラフ学習手法を提案する。 FedRGLは、様々なノイズ率、タイプ、クライアント数で12のベースライン手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-28T04:37:04Z)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens [53.99177152562075]
  視覚における自己回帰モデルのスケールアップは、大きな言語モデルほど有益でないことが証明されている。 モデルが離散トークンを使用するか、連続トークンを使用するか、BERTやGPTのようなトランスフォーマーアーキテクチャを用いてランダムまたは固定順序でトークンを生成するか、という2つの重要な要素に焦点を当てる。 その結果,すべてのモデルが検証損失の点で効果的にスケールしているのに対して,評価性能はFID,GenEvalスコア,視覚的品質などによって異なる傾向を呈することがわかった。
  論文  参考訳（メタデータ） (2024-10-17T17:59:59Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)
• Issues with Propagation Based Models for Graph-Level Outlier Detection [16.980621769406916]
  Graph-Level Outlier Detection (GLOD)は、グラフデータベース内の異常なグラフを識別するタスクである。 本稿では, GLODに伝搬モデルを適用し, 基本的かつ興味深い問題に対処する。 モデルのROC-AUC性能は、どのクラスがダウンサンプリングされるかによって大きく変化します。
  論文  参考訳（メタデータ） (2020-12-23T19:38:21Z)

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。