論文の概要: Disentangling Slow and Fast Temporal Dynamics in Degradation Inference with Hierarchical Differential Models

• arxiv url: http://arxiv.org/abs/2509.00639v1
• Date: Sat, 30 Aug 2025 23:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.315742
• Title: Disentangling Slow and Fast Temporal Dynamics in Degradation Inference with Hierarchical Differential Models
• Title（参考訳）: 階層的微分モデルを用いた劣化推論における緩やかで高速な時間ダイナミクス
• Authors: Mengjie Zhao, Olga Fink,
• Abstract要約: 残差に基づく手法は広く採用されているが、残差は運用履歴と絡み合っている。 本稿では,遅い(劣化)CDEコンポーネントと高速(動作)CDEコンポーネントを統一アーキテクチャに組み込んだ,階層型制御微分方程式(H-CDE)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.067477404456174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable inference of system degradation from sensor data is fundamental to condition monitoring and prognostics in engineered systems. Since degradation is rarely observable and measurable, it must be inferred to enable accurate health assessment and decision-making. This is particularly challenging because operational variations dominate system behavior, while degradation introduces only subtle, long-term changes. Consequently, sensor data mainly reflect short-term operational variability, making it difficult to disentangle the underlying degradation process. Residual-based methods are widely employed, but the residuals remain entangled with operational history, often resulting in noisy and unreliable degradation estimation, particularly in systems with dynamic responses. Neural Ordinary Equations (NODEs) offer a promising framework for inferring latent dynamics, but the time-scale separation in slow-fast systems introduces numerical stiffness and complicates training, while degradation disentanglement remains difficult. To address these limitations, we propose a novel Hierarchical Controlled Differential Equation (H-CDE) framework that incorporates a slow (degradation) and a fast (operation) CDE component in a unified architecture. It introduces three key innovations: a multi-scale time integration scheme to mitigate numerical stiffness; a learnable path transformation that extracts latent degradation drivers to control degradation evolution; and a novel activation function that enforces monotonicity on inferred degradation as a regularizer for disentanglement. Through comprehensive evaluations on both dynamic response (e.g., bridges) and steady state (e.g., aero-engine) systems, we demonstrate that H-CDE effectively disentangles degradation from operational dynamics and outperforms residual-based baselines, yielding more accurate, robust, and interpretable inference.
• Abstract（参考訳）: センサデータからのシステム劣化の信頼性の推測は、工学系における条件監視と診断に不可欠である。 劣化はめったに観測不可能であり、測定可能であるため、正確な健康評価と意思決定を可能にするために推測される必要がある。 運用上の変動がシステムの振る舞いを支配しているのに対して、劣化は微妙で長期的な変化しか起こらないため、これは特に困難である。 その結果、センサデータは主に短期的な操作の変動を反映し、基礎となる劣化過程を解離させることが困難になる。 残差に基づく手法は広く用いられているが、残差は運用履歴と絡み合っており、特に動的応答を持つシステムにおいて、しばしばノイズや信頼性の低い劣化推定をもたらす。 NODE(Neural Ordinary Equations)は、遅延力学を推論するための有望なフレームワークを提供するが、低速システムにおける時間スケールの分離は、数値的な剛性を導入し、訓練を複雑化する一方で、劣化の絡み合いは依然として困難である。 これらの制約に対処するため、我々は、遅い(劣化)と速い(動作)CDEコンポーネントを統一アーキテクチャに組み込んだ新しい階層型制御微分方程式(H-CDE)フレームワークを提案する。 数値剛性を緩和するマルチスケール時間積分スキーム、遅延分解ドライバを抽出して劣化の進化を制御する学習可能な経路変換、および不定形劣化を非定型化の正則化として単調性を実行する新しいアクティベーション関数である。 動的応答(例:ブリッジ)と定常状態(例:エアロエンジン)の両方を総合的に評価することにより、H-CDEは動作力学からの劣化を効果的に解消し、残基線を上回り、より正確で堅牢で解釈可能な推論をもたらすことを示した。

関連論文リスト

• A Residual Guided strategy with Generative Adversarial Networks in training Physics-Informed Transformer Networks [8.614387766858496]
  本稿では,GAN(Generative Adrative Network)を用いた物理入力変換器の残留指導戦略を提案する。 我々のフレームワークはトランスフォーマーを統合し、自己回帰処理によって時間的相関を本質的にキャプチャし、残差認識GANと組み合わせる。 アレン=カーン=ゴルドン方程式とナヴィエ=ストークス方程式の実験は、ベースライン法と比較して3桁の相対的なMSEの減少を示す。
  論文  参考訳（メタデータ） (2025-07-15T03:45:42Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Integral regularization PINNs for evolution equations [4.5305564316166675]
  本稿では,損失関数に積分的残差項を組み込むことにより,時間的精度を高める新しい手法を提案する。 この方法は時間間隔全体をより小さな部分間隔に分割し、これらの部分間隔に制約を課し、時間ダイナミクスの分解と相関を改善する。 ベンチマーク問題に関する数値実験により、IR-PINNは、長年の振る舞いを捉えるために、元のPINNや他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T05:02:59Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems [12.641578474466646]
  DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。 動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。 我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
  論文  参考訳（メタデータ） (2023-07-07T12:22:16Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Monitoring nonstationary processes based on recursive cointegration analysis and elastic weight consolidation [2.8102838347038617]
  従来のアプローチは、通常の動的偏差を障害と誤認し、高い誤報を引き起こす。 本稿では, RCA と RPCA を用いて, 実際の故障と通常のシステム変化を区別する手法を提案する。 破滅的な「忘れる問題」を解決するために弾性重量凝縮(EWC)が用いられる。
  論文  参考訳（メタデータ） (2021-01-21T12:49:18Z)
• 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)
• Time-Reversal Symmetric ODE Network [138.02741983098454]
  時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。 本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。 時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-22T12:19:40Z)

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。