論文の概要: Rethinking the Role of Operating Conditions for Learning-based Multi-condition Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2506.17740v1
• Date: Sat, 21 Jun 2025 15:34:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.561334
• Title: Rethinking the Role of Operating Conditions for Learning-based Multi-condition Fault Diagnosis
• Title（参考訳）: 学習型多条件故障診断における動作条件の役割の再考
• Authors: Pengyu Han, Zeyi Liu, Shijin Chen, Dongliang Zou, Xiao He,
• Abstract要約: 産業システムでは多条件故障診断が一般的であり,従来の診断手法には大きな課題がある。 近年の深層学習の進展に伴い,多条件故障診断のパラダイムとして,伝達学習が断層診断分野に導入されている。 本稿では, 可変速度および可変負荷シナリオにおいて, 様々な条件下でのエンド・ツー・エンド領域の一般化手法の性能について検討する。 2段階の診断フレームワークが提案され,運用条件に著しい影響のあるシナリオ下での故障診断性能の向上を目的としている。
• 参考スコア（独自算出の注目度）: 5.428312095726722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-condition fault diagnosis is prevalent in industrial systems and presents substantial challenges for conventional diagnostic approaches. The discrepancy in data distributions across different operating conditions degrades model performance when a model trained under one condition is applied to others. With the recent advancements in deep learning, transfer learning has been introduced to the fault diagnosis field as a paradigm for addressing multi-condition fault diagnosis. Among these methods, domain generalization approaches can handle complex scenarios by extracting condition-invariant fault features. Although many studies have considered fault diagnosis in specific multi-condition scenarios, the extent to which operating conditions affect fault information has been scarcely studied, which is crucial. However, the extent to which operating conditions affect fault information has been scarcely studied, which is crucial. When operating conditions have a significant impact on fault features, directly applying domain generalization methods may lead the model to learn condition-specific information, thereby reducing its overall generalization ability. This paper investigates the performance of existing end-to-end domain generalization methods under varying conditions, specifically in variable-speed and variable-load scenarios, using multiple experiments on a real-world gearbox. Additionally, a two-stage diagnostic framework is proposed, aiming to improve fault diagnosis performance under scenarios with significant operating condition impacts. By incorporating a domain-generalized encoder with a retraining strategy, the framework is able to extract condition-invariant fault features while simultaneously alleviating potential overfitting to the source domain. Several experiments on a real-world gearbox dataset are conducted to validate the effectiveness of the proposed approach.
• Abstract（参考訳）: 産業システムでは多条件故障診断が一般的であり,従来の診断手法には大きな課題がある。 異なる操作条件におけるデータ分布の相違は、ある条件下で訓練されたモデルが他の条件で適用された場合、モデル性能を低下させる。 近年の深層学習の進展に伴い,多条件故障診断のパラダイムとして,伝達学習が断層診断分野に導入されている。 これらの手法のうち、領域一般化アプローチは条件不変の欠点を抽出することで複雑なシナリオを処理できる。 特定のマルチコンディションシナリオにおいて障害診断を考慮してきた研究は多いが、動作条件が障害情報にどのような影響を及ぼすかは研究されていない。 しかし, 運転条件が故障情報にどのような影響を及ぼすかは調査されていないため, 極めて重要である。 動作条件が障害特性に重大な影響を及ぼす場合、ドメイン一般化法を直接適用すれば、モデルが条件固有情報を学習し、全体的な一般化能力が低下する可能性がある。 本稿では,実世界のギヤボックス上での複数実験を用いて,可変速度および可変負荷シナリオにおいて,様々な条件下での既存エンド・ツー・エンド領域の一般化手法の性能について検討する。 さらに,2段階の診断フレームワークを提案し,運用条件に大きな影響を及ぼすシナリオ下での故障診断性能の向上を図っている。 ドメイン一般化エンコーダをリトレーニング戦略に組み込むことで、このフレームワークは、ソースドメインへの潜在的なオーバーフィッティングを同時に軽減しつつ、条件不変のフォールト特徴を抽出することができる。 実世界のギアボックスデータセットに関するいくつかの実験を行い,提案手法の有効性を検証した。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• 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)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• 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)
• Foundational Models for Fault Diagnosis of Electrical Motors [0.29494468099506893]
  本研究は、電動機の故障診断のための基礎モデルを構築するための枠組みを提案する。 ニューラルネットワークベースのバックボーンを構築して、自己教師付き学習を使用して高度な機能を学習し、特定の目的を達成するためにバックボーンを微調整する。
  論文  参考訳（メタデータ） (2023-07-31T17:58:16Z)
• Generalized Out-of-distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning [8.583116999933731]
  本稿では,診断サブタスクを統合するために,一般化されたアウト・オブ・ディストリビューション障害診断フレームワークを提案する。 内部のコントラスト学習とマハラノビス距離に基づく統一的な断層診断手法が提案手法の基盤となる。 提案手法は,複数の故障診断タスクに適用可能であり,既存の単一タスク法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-06-27T07:50:25Z)
• 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)
• Diagnosing failures of fairness transfer across distribution shift in real-world medical settings [60.44405686433434]
  分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。 この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T13:59:23Z)
• Are Ensemble Classifiers Powerful Enough for the Detection and Diagnosis of Intermediate-Severity Faults? [9.1591191545173]
  中間重度(IS)障害は、重度断層よりも軽度の症状を呈する。 トレーニングデータにIS故障例がないことは、FDD法に深刻なリスクをもたらす可能性がある。 本稿では,IS故障の検出と診断のためのより効果的なアンサンブルモデルの設計方法について論じる。
  論文  参考訳（メタデータ） (2020-07-07T02:05:04Z)

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。