論文の概要: Open-Set Fault Diagnosis in Multimode Processes via Fine-Grained Deep Feature Representation

• arxiv url: http://arxiv.org/abs/2508.09462v1
• Date: Wed, 13 Aug 2025 03:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.745147
• Title: Open-Set Fault Diagnosis in Multimode Processes via Fine-Grained Deep Feature Representation
• Title（参考訳）: 細粒深部特徴表現による多モードプロセスのオープンセット異常診断
• Authors: Guangqiang Li, M. Amine Atoui, Xiangshun Li,
• Abstract要約: マルチモードプロセスでは、同じ状態に属するサンプルは、しばしば複数のクラスタ分布を示す。 細粒度クラスタリングとゲートリジェクションネットワーク(FGCRN)と呼ばれる新しいオープンセット故障診断モデルを提案する。 マルチスケールの奥行きの畳み込み、双方向のリカレントユニット、時間的注意機構を組み合わせることで、識別的特徴を捉える。
• 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: A reliable fault diagnosis system should not only accurately classify known health states but also effectively identify unknown faults. In multimode processes, samples belonging to the same health state often show multiple cluster distributions, making it difficult to construct compact and accurate decision boundaries for that state. To address this challenge, a novel open-set fault diagnosis model named fine-grained clustering and rejection network (FGCRN) is proposed. It combines multiscale depthwise convolution, bidirectional gated recurrent unit and temporal attention mechanism to capture discriminative features. A distance-based loss function is designed to enhance the intra-class compactness. Fine-grained feature representations are constructed through unsupervised learning to uncover the intrinsic structures of each health state. Extreme value theory is employed to model the distance between sample features and their corresponding fine-grained representations, enabling effective identification of unknown faults. Extensive experiments demonstrate the superior performance of the proposed method.
• Abstract（参考訳）: 信頼性のある断層診断システムは、既知の健康状態を正確に分類するだけでなく、未知の断層を効果的に識別するべきである。 マルチモードプロセスでは、同じ状態に属するサンプルは複数のクラスタ分布を示すことが多く、その状態に対してコンパクトで正確な決定境界を構築することは困難である。 この課題に対処するために,FGCRN(Farly-fine clustering and rejection Network)と呼ばれる,新たなオープンセットの故障診断モデルを提案する。 マルチスケールの奥行き畳み込み、双方向ゲート再帰ユニットと時間的注意機構を組み合わせることで、識別的特徴を捉える。 距離に基づく損失関数はクラス内コンパクト性を高めるように設計されている。 微細な特徴表現は、各健康状態の固有の構造を明らかにするために教師なし学習によって構築される。 極端値理論は、サンプル特徴とそれに対応する微細な表現との距離をモデル化し、未知の断層の効果的な同定を可能にする。 大規模な実験により提案手法の優れた性能が実証された。

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)
• Fault Diagnosis across Heterogeneous Domains via Self-Adaptive Temporal-Spatial Attention and Sample Generation [1.9389881806157316]
  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。
  論文  参考訳（メタデータ） (2025-05-16T10:14:10Z)
• 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)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• 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。