論文の概要: Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning

• arxiv url: http://arxiv.org/abs/2508.07536v1
• Date: Mon, 11 Aug 2025 01:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.901377
• Title: Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning
• Title（参考訳）: 移動学習を用いた可変動作条件下での物理インフォームドマルチモーダル軸受断層分類
• Authors: Tasfiq E. Alam, Md Manjurul Ahsan, Shivakumar Raman,
• Abstract要約: 本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 0.46085106405479537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and interpretable bearing fault classification is critical for ensuring the reliability of rotating machinery, particularly under variable operating conditions where domain shifts can significantly degrade model performance. This study proposes a physics-informed multimodal convolutional neural network (CNN) with a late fusion architecture, integrating vibration and motor current signals alongside a dedicated physics-based feature extraction branch. The model incorporates a novel physics-informed loss function that penalizes physically implausible predictions based on characteristic bearing fault frequencies - Ball Pass Frequency Outer (BPFO) and Ball Pass Frequency Inner (BPFI) - derived from bearing geometry and shaft speed. Comprehensive experiments on the Paderborn University dataset demonstrate that the proposed physics-informed approach consistently outperforms a non-physics-informed baseline, achieving higher accuracy, reduced false classifications, and improved robustness across multiple data splits. To address performance degradation under unseen operating conditions, three transfer learning (TL) strategies - Target-Specific Fine-Tuning (TSFT), Layer-Wise Adaptation Strategy (LAS), and Hybrid Feature Reuse (HFR) - are evaluated. Results show that LAS yields the best generalization, with additional performance gains when combined with physics-informed modeling. Validation on the KAIST bearing dataset confirms the framework's cross-dataset applicability, achieving up to 98 percent accuracy. Statistical hypothesis testing further verifies significant improvements (p < 0.01) in classification performance. The proposed framework demonstrates the potential of integrating domain knowledge with data-driven learning to achieve robust, interpretable, and generalizable fault diagnosis for real-world industrial applications.
• Abstract（参考訳）: 特に, ドメインシフトがモデル性能を著しく低下させる変動動作条件下では, 回転機械の信頼性を確保するためには, 高精度かつ解釈可能な軸受故障分類が重要である。 本研究は,物理に基づく特徴抽出部とともに,振動とモータ電流を結合した物理インフォームド多モード畳み込みニューラルネットワーク(CNN)を提案する。 このモデルでは, 物理インフォームド・ロス関数を用いて, 軸受の形状と軸速度から, 特徴周波数(BPFO, Ball Pass Frequency Outer) とボールパス周波数内(BPFI, Ball Pass Frequency Inner) を推定する。 パーダーボルン大学のデータセットに関する総合的な実験では、提案された物理学的インフォームドアプローチは、物理学的でないインフォームドベースラインを一貫して上回り、高い精度を実現し、偽分類を減らし、複数のデータ分割におけるロバスト性を改善した。 未確認動作条件下での性能劣化に対処するため,Target-Specific Fine-Tuning(TSFT),Layer-Wise Adaptation Strategy(LAS),Hybrid Feature Reuse(HFR)の3つのTL戦略を評価した。 その結果, LASは物理インフォームド・モデリングと組み合わせることで, さらなる性能向上が期待できることがわかった。 KAISTベアリングデータセットの検証は、フレームワークのクロスデータセット適用性を確認し、最大98%の精度を達成する。 統計的仮説テストは、分類性能の大幅な改善(p < 0.01)をさらに検証する。 提案フレームワークは,データ駆動学習とドメイン知識を統合することにより,実世界の産業アプリケーションに対する堅牢で解釈可能な,一般化可能なフォールト診断を実現する可能性を実証する。

関連論文リスト

• PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
  本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。 具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。 実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
  論文  参考訳（メタデータ） (2025-07-01T14:48:22Z)
• Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.937203351551678]
  本研究では,交通流モデリングにおける物理インフォームド・機械学習(PIML)手法の性能について批判的に検討する。 実験により、物理残留物はLWRおよびARZベースのPIMLモデルの性能を劣化させることができることが明らかになった。 Courant-Friedrichs-Lewy (CFL) 条件をPIMLのデータセット適合性の指標として同定した。
  論文  参考訳（メタデータ） (2025-05-16T17:55:06Z)
• Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks [4.46753539114796]
  ベアリング故障は機械の故障の主な原因である。 本研究では,これらの課題に対処するためにKolmogorov-Arnold Networksを用いた。 説明可能な結果を提供する軽量モデルを生成する。
  論文  参考訳（メタデータ） (2024-12-02T09:40:03Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。