論文の概要: An Unsupervised Framework for Dynamic Health Indicator Construction and Its Application in Rolling Bearing Prognostics

• arxiv url: http://arxiv.org/abs/2506.05438v1
• Date: Thu, 05 Jun 2025 10:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.164102
• Title: An Unsupervised Framework for Dynamic Health Indicator Construction and Its Application in Rolling Bearing Prognostics
• Title（参考訳）: 動的健康指標構築のための教師なしフレームワークとその転がり軸受診断への応用
• Authors: Tongda Sun, Chen Yin, Huailiang Zheng, Yining Dong,
• Abstract要約: 健康指標(HI)は転がり軸受の劣化評価と予後に重要な役割を果たしている。 HIレベルの時間依存性を考慮した新しい動的HIは、教師なしフレームワークによって構築される。 実験の結果,提案手法が比較法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.14999444543328289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Health indicator (HI) plays a key role in degradation assessment and prognostics of rolling bearings. Although various HI construction methods have been investigated, most of them rely on expert knowledge for feature extraction and overlook capturing dynamic information hidden in sequential degradation processes, which limits the ability of the constructed HI for degradation trend representation and prognostics. To address these concerns, a novel dynamic HI that considers HI-level temporal dependence is constructed through an unsupervised framework. Specifically, a degradation feature learning module composed of a skip-connection-based autoencoder first maps raw signals to a representative degradation feature space (DFS) to automatically extract essential degradation features without the need for expert knowledge. Subsequently, in this DFS, a new HI-generating module embedded with an inner HI-prediction block is proposed for dynamic HI construction, where the temporal dependence between past and current HI states is guaranteed and modeled explicitly. On this basis, the dynamic HI captures the inherent dynamic contents of the degradation process, ensuring its effectiveness for degradation tendency modeling and future degradation prognostics. The experiment results on two bearing lifecycle datasets demonstrate that the proposed HI construction method outperforms comparison methods, and the constructed dynamic HI is superior for prognostic tasks.
• Abstract（参考訳）: 健康指標(HI)は転がり軸受の劣化評価と予後に重要な役割を果たしている。 様々なHI工法が研究されているが,そのほとんどは, 逐次劣化過程に隠された動的情報を抽出し, 観察する専門家の知識に頼っている。 これらの問題に対処するため、HIレベルの時間的依存を考慮した新しい動的HIは、教師なしのフレームワークによって構築される。 具体的には、スキップ接続ベースのオートエンコーダからなる劣化特徴学習モジュールをまず、生信号を代表分解特徴空間(DFS)にマッピングし、専門家の知識を必要とせずに重要な劣化特徴を自動的に抽出する。 このDFSでは, 内部のHI予測ブロックを埋め込んだ新しいHI生成モジュールが動的HI構築のために提案され, 過去のHI状態と現在のHI状態との時間的依存が保証され, 明示的にモデル化される。 このことから, 動的HIは, 劣化過程の固有の動的内容を捕捉し, 劣化傾向モデリングおよび将来の劣化予測に有効であることを確認した。 実験の結果,提案したHI構築法は比較法より優れており,構築された動的HIは予後タスクに優れていることがわかった。

関連論文リスト

• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Dynamical Mode Recognition of Coupled Flame Oscillators by Supervised and Unsupervised Learning Approaches [7.088178570214894]
  燃焼不安定は燃焼研究において最も困難な問題の一つである。 多くの燃焼システムの安全かつ信頼性の高い運転を保証するためには,燃焼不安定性の同定と理解が不可欠である。
  論文  参考訳（メタデータ） (2024-04-27T06:44:39Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• Autoregressive Hidden Markov Models with partial knowledge on latent space applied to aero-engines prognostics [2.179313476241343]
  本稿では,ARPHMM(Auto Regressive Partially-hidden Markov Model)を用いて,センサデータに基づく機器の故障検出と予後予測を行う。 健康指標に基づいて,このモデルを用いて残りの生活を推定する方法を示す。
  論文  参考訳（メタデータ） (2021-05-01T10:23:22Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。