論文の概要: Multi-output Classification using a Cross-talk Architecture for Compound Fault Diagnosis of Motors in Partially Labeled Condition

• arxiv url: http://arxiv.org/abs/2505.24001v1
• Date: Thu, 29 May 2025 20:52:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.660341
• Title: Multi-output Classification using a Cross-talk Architecture for Compound Fault Diagnosis of Motors in Partially Labeled Condition
• Title（参考訳）: クロストーク構造を用いた部分ラベル条件下でのモータの複合故障診断のための多出力分類
• Authors: Wonjun Yi, Wonho Jung, Kangmin Jang, Yong-Hwa Park,
• Abstract要約: 本研究では,部分ラベル付き(PL)ターゲットデータセットのドメイン適応に適した,新しいマルチアウトプット分類(MOC)フレームワークを提案する。 従来のマルチクラス分類(MCC)の手法とは異なり,提案したMOCフレームワークは複合断層の重大度レベルを同時に分類する。 本研究では,診断タスク間の情報共有を実現するクロストーク層構造を提案する。
• 参考スコア（独自算出の注目度）: 4.268591926288843
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The increasing complexity of rotating machinery and the diversity of operating conditions, such as rotating speed and varying torques, have amplified the challenges in fault diagnosis in scenarios requiring domain adaptation, particularly involving compound faults. This study addresses these challenges by introducing a novel multi-output classification (MOC) framework tailored for domain adaptation in partially labeled (PL) target datasets. Unlike conventional multi-class classification (MCC) approaches, the proposed MOC framework classifies the severity levels of compound faults simultaneously. Furthermore, we explore various single-task and multi-task architectures applicable to the MOC formulation-including shared trunk and cross-talk-based designs-for compound fault diagnosis under PL conditions. Based on this investigation, we propose a novel cross-talk layer structure that enables selective information sharing across diagnostic tasks, effectively enhancing classification performance in compound fault scenarios. In addition, frequency-layer normalization was incorporated to improve domain adaptation performance on motor vibration data. Compound fault conditions were implemented using a motor-based test setup, and the proposed model was evaluated across six domain adaptation scenarios. The experimental results demonstrate its superior macro F1 performance compared to baseline models. We further showed that the proposed mode's structural advantage is more pronounced in compound fault settings through a single-fault comparison. We also found that frequency-layer normalization fits the fault diagnosis task better than conventional methods. Lastly, we discuss that this improvement primarily stems from the model's structural ability to leverage inter-fault classification task interactions, rather than from a simple increase in model parameters.
• Abstract（参考訳）: 回転機械の複雑さの増大と回転速度やトルクの変化といった動作条件の多様性は、特に複合断層を含む領域適応を必要とするシナリオにおける故障診断の課題を増幅している。 本研究では、部分ラベル付き(PL)ターゲットデータセットのドメイン適応に適した、新しいマルチアウトプット分類(MOC)フレームワークを導入することで、これらの課題に対処する。 従来のマルチクラス分類(MCC)の手法とは異なり,提案したMOCフレームワークは複合断層の重大度レベルを同時に分類する。 さらに、PL条件下での複合故障診断のためのMOC定式化を含む共有トランクおよびクロストークに基づく設計に適用可能な、多種多様なシングルタスクおよびマルチタスクアーキテクチャについて検討する。 本研究では,診断タスク間の情報共有を可能とし,複合障害シナリオにおける分類性能を効果的に向上するクロストーク層構造を提案する。 さらに、周波数層正規化を導入し、モータ振動データに対する領域適応性能を向上した。 複合故障条件をモータベース試験装置を用いて実装し, 提案手法を6つの領域適応シナリオで評価した。 実験結果は,ベースラインモデルと比較してマクロF1の性能が優れていることを示した。 さらに, 単一フォールト比較により, 複雑な断層設定において, 提案モードの構造上の利点がより顕著であることを示した。 また,周波数層正規化は従来の手法よりも故障診断に適していることが判明した。 最後に、この改善はモデルパラメータの単純な増加ではなく、デフォルト間分類タスクの相互作用を利用するモデルの構造的能力に起因していることについて議論する。

関連論文リスト

• Q-function Decomposition with Intervention Semantics with Factored Action Spaces [51.01244229483353]
  元の作用空間の低次元射影部分空間上で定義されるQ-函数を考察し、分解されたQ-函数の不偏性について考察する。 これにより、標準モデルフリー強化学習アルゴリズムにおいて、予測Q関数を用いてQ関数を近似する動作分解強化学習と呼ばれる一般的なスキームが導かれる。
  論文  参考訳（メタデータ） (2025-04-30T05:26:51Z)
• Multi-output Classification Framework and Frequency Layer Normalization for Compound Fault Diagnosis in Motor [5.240890834159944]
  本研究は,故障診断における領域適応のための多出力分類(MOC)フレームワークを提案する。 従来のマルチクラス分類 (MCC) 法とは異なり, 提案手法は個別に各断層の重大度を推定する。 PLデータを用いた6つの領域適応事例を対象とした評価の結果,MOCはマクロF1スコアにおいてベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-04-15T13:40:16Z)
• Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain [5.240890834159944]
  本研究では,断層診断における領域適応のための新しいマルチアウトプット分類(MOC)フレームワークを提案する。 従来のマルチクラス分類(MCC)アプローチとは異なり、MOCフレームワークは個々の故障の重症度を独立に分類し、診断精度を向上する。
  論文  参考訳（メタデータ） (2025-03-15T14:15:10Z)
• Constructive Incremental Learning for Fault Diagnosis of Rolling Bearings with Ensemble Domain Adaptation [6.7898797318208075]
  転がり軸受の故障診断は 様々な作業条件において 現実的な問題です。 外部環境の複雑さと転がり軸受の構造は、しばしばランダムさとファジネスによって特徴づけられる欠点を示す。 本稿では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:23:58Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。