論文の概要: Continual learning for rotating machinery fault diagnosis with cross-domain environmental and operational variations
- arxiv url: http://arxiv.org/abs/2504.10151v1
- Date: Mon, 14 Apr 2025 12:02:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:50:24.272222
- Title: Continual learning for rotating machinery fault diagnosis with cross-domain environmental and operational variations
- Title（参考訳）: クロスドメイン環境と運用変動を考慮した回転機械故障診断の連続学習
- Authors: Diogo Risca, Afonso Lourenço, Goreti Marreiros,
- Abstract要約: この研究は、時間とともに構造を共有するドメイン間で学習できる連続的なディープラーニングアプローチを提案する。
破滅的な忘れ物、塑性の欠如、前方移動、後方移動の4つの課題に対処する。
実験では、平均的なドメイン精度(88.96%まで)が、インクリメンタルな環境よりも低い。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Although numerous machine learning models exist to detect issues like rolling bearing strain and deformation, typically caused by improper mounting, overloading, or poor lubrication, these models often struggle to isolate faults from the noise of real-world operational and environmental variability. Conditions such as variable loads, high temperatures, stress, and rotational speeds can mask early signs of failure, making reliable detection challenging. To address these limitations, this work proposes a continual deep learning approach capable of learning across domains that share underlying structure over time. This approach goes beyond traditional accuracy metrics by addressing four second-order challenges: catastrophic forgetting (where new learning overwrites past knowledge), lack of plasticity (where models fail to adapt to new data), forward transfer (using past knowledge to improve future learning), and backward transfer (refining past knowledge with insights from new domains). The method comprises a feature generator and domain-specific classifiers, allowing capacity to grow as new domains emerge with minimal interference, while an experience replay mechanism selectively revisits prior domains to mitigate forgetting. Moreover, nonlinear dependencies across domains are exploited by prioritizing replay from those with the highest prior errors, refining models based on most informative past experiences. Experiments show high average domain accuracy (up to 88.96%), with forgetting measures as low as .0027 across non-stationary class-incremental environments.
- Abstract（参考訳）: 多くの機械学習モデルは、転がり軸受のひずみや変形などの問題を検出するために存在し、通常は不適切な取付け、過負荷、潤滑不良によって引き起こされるが、これらのモデルは実世界の運用および環境変動の騒音から障害を分離するのに苦労する。
変動荷重、高温、応力、回転速度などの条件は、早期の故障の兆候を隠蔽し、信頼性の高い検出を困難にする。
これらの制限に対処するために、この研究は、時間とともに基盤となる構造を共有するドメイン間で学習できる連続的なディープラーニングアプローチを提案する。
このアプローチは、破滅的な忘れ(新しい学習が過去の知識を上書きする)、塑性の欠如(モデルが新しいデータに適応できない)、転送(過去の知識を使用して将来の学習を改善する)、後方転送(新しいドメインからの洞察で過去の知識を精査する)という4つの2段階の課題に対処することで、従来の精度のメトリクスに対処する。
本発明の方法は、機能生成器とドメイン固有の分類器とを備え、新しいドメインが最小限の干渉で出現するにつれて、キャパシティが増大し、経験再生機構は、先行ドメインを選択的に再訪して忘れを軽減させる。
さらに、ドメイン間の非線型依存関係は、最も高い事前エラーを持つものからリプレイを優先順位付けし、最も情報に富んだ過去の経験に基づいてモデルを精査することで悪用される。
実験では、平均的なドメイン精度(88.96%まで)が示され、非定常的なクラスインクリメンタル環境では .0027 も低い。
関連論文リスト
- A Transfer Learning Framework for Anomaly Detection in Multivariate IoT Traffic Data [6.229535970620059]
本稿では,時系列データセットにおける異常検出のための移動学習モデルを提案する。
従来の手法とは異なり、我々の手法はソースまたはターゲットドメインのラベル付きデータを必要としない。
新たな侵入検出データセットの実証評価は,我々のモデルが既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-01-26T02:03:49Z) - Video Domain Incremental Learning for Human Action Recognition in Home Environments [5.8984266500487]
ビデオドメインインクリメンタルラーニング(VDIL)の問題点を定式化する。
VDILは、モデルが一定のアクションクラスを維持しながら、異なるドメインから継続的に学習することを可能にする。
本研究では,制約のない家庭環境を対象としたドメインインクリメンタルな人間行動認識のベンチマークを紹介する。
論文 参考訳（メタデータ） (2024-12-22T09:40:48Z) - Temporal-Difference Variational Continual Learning [89.32940051152782]
現実世界のアプリケーションにおける機械学習モデルの重要な機能は、新しいタスクを継続的に学習する能力である。
継続的な学習設定では、モデルは以前の知識を保持することで新しいタスクの学習のバランスをとるのに苦労することが多い。
複数の先行推定の正則化効果を統合する新たな学習目標を提案する。
論文 参考訳（メタデータ） (2024-10-10T10:58:41Z) - Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions [10.627285023764086]
本稿では,入力変数をシステムパラメータと測定値に分離したテスト時間領域適応異常検出(TAAD)フレームワークを提案する。
本手法は,実世界のポンプモニタリングデータセットを用いて検証し,既存の領域適応法よりも優れた故障検出手法であることを示す。
論文 参考訳（メタデータ） (2024-06-06T15:53:14Z) - Monitoring Machine Learning Models: Online Detection of Relevant
Deviations [0.0]
機械学習モデルは、データ分散やその他の要因の変化によって、時間の経過とともに劣化する可能性がある。
本稿では,関連する変化を検出するための逐次モニタリング手法を提案する。
本研究は, 微ゆらぎと有意義な劣化を区別する実用的な解決法である。
論文 参考訳（メタデータ） (2023-09-26T18:46:37Z) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-09-15T17:10:51Z) - Continual Learning with Pretrained Backbones by Tuning in the Input
Space [44.97953547553997]
ディープラーニングモデルを非定常環境に適用することの本質的な困難さは、ニューラルネットワークの実際のタスクへの適用性を制限している。
ネットワークの事前学習部分の更新を回避し、通常の分類ヘッドだけでなく、新たに導入した学習可能なパラメータのセットも学習することで、微調整手順をより効果的にするための新しい戦略を提案する。
論文 参考訳（メタデータ） (2023-06-05T15:11:59Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Forget Less, Count Better: A Domain-Incremental Self-Distillation
Learning Benchmark for Lifelong Crowd Counting [51.44987756859706]
オフザシェルフ法は複数のドメインを扱うのにいくつかの欠点がある。
生涯クラウドカウンティングは、壊滅的な忘れを緩和し、一般化能力を改善することを目的としている。
論文 参考訳（メタデータ） (2022-05-06T15:37:56Z) - On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。
提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文 参考訳（メタデータ） (2022-03-08T09:57:48Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z)
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。