論文の概要: Fault Diagnosis across Heterogeneous Domains via Self-Adaptive Temporal-Spatial Attention and Sample Generation

• arxiv url: http://arxiv.org/abs/2505.11083v1
• Date: Fri, 16 May 2025 10:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.66458
• Title: Fault Diagnosis across Heterogeneous Domains via Self-Adaptive Temporal-Spatial Attention and Sample Generation
• Title（参考訳）: 自己適応型時間空間アテンションとサンプル生成による異種領域の異常診断
• Authors: Guangqiang Li, M. Amine Atoui, Xiangshun Li,
• Abstract要約: 自己適応時空間アテンションネットワーク(TSA-SAN)と呼ばれる断層診断モデルを提案する。 提案手法は最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.9389881806157316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have shown promising performance in fault diagnosis for multimode process. Most existing studies assume that the collected health state categories from different operating modes are identical. However, in real industrial scenarios, these categories typically exhibit only partial overlap. The incompleteness of the available data and the large distributional differences between the operating modes pose a significant challenge to existing fault diagnosis methods. To address this problem, a novel fault diagnosis model named self-adaptive temporal-spatial attention network (TSA-SAN) is proposed. First, inter-mode mappings are constructed using healthy category data to generate multimode samples. To enrich the diversity of the fault data, interpolation is performed between healthy and fault samples. Subsequently, the fault diagnosis model is trained using real and generated data. The self-adaptive instance normalization is established to suppress irrelevant information while retaining essential statistical features for diagnosis. In addition, a temporal-spatial attention mechanism is constructed to focus on the key features, thus enhancing the generalization ability of the model. The extensive experiments demonstrate that the proposed model significantly outperforms the state-of-the-art methods. The code will be available on Github at https://github.com/GuangqiangLi/TSA-SAN.
• Abstract（参考訳）: 深層学習法はマルチモードプロセスの故障診断において有望な性能を示した。 既存の研究の多くは、異なる操作モードから収集された健康状態のカテゴリーが同一であると仮定している。 しかし、実際の産業シナリオでは、これらのカテゴリは概して部分的な重複しか示さない。 利用可能なデータの不完全性と動作モード間の大きな分布差は、既存の故障診断法において大きな課題となる。 この問題に対処するために,自己適応時空間アテンションネットワーク(TSA-SAN)と呼ばれる新しい故障診断モデルを提案する。 まず、健全なカテゴリデータを用いてモード間マッピングを構築し、マルチモードサンプルを生成する。 断層データの多様性を高めるため、健康試料と断層試料の補間を行う。 その後、実データと生成されたデータを用いて故障診断モデルを訓練する。 自己適応型インスタンス正規化は、診断に不可欠な統計的特徴を保持しつつ、無関係な情報を抑制するために確立される。 さらに,重要な特徴に着目した時間空間的注意機構を構築し,モデルの一般化能力を高める。 実験により,提案手法は最先端の手法よりも優れた性能を示した。 コードはGithubでhttps://github.com/GuangqiangLi/TSA-SANで公開されている。

関連論文リスト

• Attention-Based Multiscale Temporal Fusion Network for Uncertain-Mode Fault Diagnosis in Multimode Processes [1.9389881806157316]
  マルチモードプロセスにおける故障診断は,産業システムの安全な運転を保証する上で重要な役割を担っている。 つまり、複数のモードからのモニタリングデータの間に大きな分散的な違いがあるのです。 本稿では,注目型マルチスケール時間融合ネットワークという新しい手法を提案する。 提案モデルでは診断性能が向上し,小型モデルサイズを維持している。
  論文  参考訳（メタデータ） (2025-04-07T15:16:22Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Unsupervised Model Diagnosis [49.36194740479798]
  本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。 提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
  論文  参考訳（メタデータ） (2024-10-08T17:59:03Z)
• Dual adversarial and contrastive network for single-source domain generalization in fault diagnosis [1.9389881806157316]
  本稿では,単一ソース領域の一般化故障診断のための二重対角コントラストネットワーク(DAC)を提案する。 DACの主な考え方は、多様なサンプル特徴を生成し、ドメイン不変の特徴表現を抽出することである。 テネシー・イーストマン・プロセスと連続旋回タンク・リアクターの実験は、DACが目に見えないモードで高い分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-19T02:06:41Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System [26.733033919978364]
  本稿では,産業システムにおけるリアルタイムマルチモード故障診断のための新しい手法を提案する。 提案手法では,拡張エビデンス推論 (ER) アルゴリズムを用いて情報を融合し,異なる基底分類器から出力をマージする。 提案手法の有効性は、マルチモードのテネシー・イーストマンプロセスデータセット上で実証される。
  論文  参考訳（メタデータ） (2023-04-29T04:42:44Z)
• 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)
• Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study [116.05514467222544]
  現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
  論文  参考訳（メタデータ） (2021-07-23T06:03:55Z)
• 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。