論文の概要: Unsupervised Multi-Attention Meta Transformer for Rotating Machinery Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2509.09251v1
- Date: Thu, 11 Sep 2025 08:35:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-12 16:52:24.296271
- Title: Unsupervised Multi-Attention Meta Transformer for Rotating Machinery Fault Diagnosis
- Title（参考訳）: 回転機械故障診断のための教師なしマルチアテンション・メタトランス
- Authors: Hanyang Wang, Yuxuan Yang, Hongjun Wang, Lihui Wang,
- Abstract要約: 少数ショット非教師あり回転機械故障診断(MMT-FD)のためのマルチアテンション・メタトランス法を提案する。
このフレームワークは、ラベルのないデータから潜在的なフォールト表現を抽出し、強力な一般化能力を示す。
モデルは、少数の対照的な学習イテレーションを使用して反復的に最適化され、高い効率をもたらす。
- 参考スコア（独自算出の注目度）: 4.9825074884178955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The intelligent fault diagnosis of rotating mechanical equipment usually requires a large amount of labeled sample data. However, in practical industrial applications, acquiring enough data is both challenging and expensive in terms of time and cost. Moreover, different types of rotating mechanical equipment with different unique mechanical properties, require separate training of diagnostic models for each case. To address the challenges of limited fault samples and the lack of generalizability in prediction models for practical engineering applications, we propose a Multi-Attention Meta Transformer method for few-shot unsupervised rotating machinery fault diagnosis (MMT-FD). This framework extracts potential fault representations from unlabeled data and demonstrates strong generalization capabilities, making it suitable for diagnosing faults across various types of mechanical equipment. The MMT-FD framework integrates a time-frequency domain encoder and a meta-learning generalization model. The time-frequency domain encoder predicts status representations generated through random augmentations in the time-frequency domain. These enhanced data are then fed into a meta-learning network for classification and generalization training, followed by fine-tuning using a limited amount of labeled data. The model is iteratively optimized using a small number of contrastive learning iterations, resulting in high efficiency. To validate the framework, we conducted experiments on a bearing fault dataset and rotor test bench data. The results demonstrate that the MMT-FD model achieves 99\% fault diagnosis accuracy with only 1\% of labeled sample data, exhibiting robust generalization capabilities.
- Abstract（参考訳）: 回転機械機器のインテリジェントな故障診断は、通常大量のラベル付きサンプルデータを必要とする。
しかし、実際的な産業アプリケーションでは、十分なデータを取得することは、時間とコストの点で困難かつ高価である。
さらに、異なる機械的特性を持つ異なる種類の回転機械装置は、それぞれのケースの診断モデルを個別に訓練する必要がある。
そこで,本研究では,少数の無人回転機械故障診断(MMT-FD)のためのマルチアテンションメタトランスフォーマ法を提案する。
このフレームワークはラベルのないデータから潜在的な断層表現を抽出し、強力な一般化能力を示し、様々な種類の機械機器の故障を診断するのに適している。
MMT-FDフレームワークは、時間周波数領域エンコーダとメタラーニング一般化モデルを統合する。
時間周波数領域エンコーダは、時間周波数領域におけるランダムな拡張によって生成される状態表現を予測する。
これらの強化されたデータは、分類と一般化訓練のためのメタラーニングネットワークに送られ、その後、限られたラベル付きデータを使用して微調整される。
モデルは、少数の対照的な学習イテレーションを使用して反復的に最適化され、高い効率をもたらす。
この枠組みを検証するために, 軸受断層データセットとロータ試験ベンチデータを用いて実験を行った。
その結果, MMT-FD モデルでは, ラベル付きサンプルデータのわずか 1 % で 99 % の故障診断精度を達成し, 堅牢な一般化能力を示した。
関連論文リスト
- A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset [1.148237645450678]
誘導電動機(IM)の正確なAIベースの診断システムは、プロアクティブなメンテナンスを強化し、計画外のダウンタイムを軽減し、産業環境における全体的なメンテナンスコストを抑制する可能性を秘めている。
研究者らは、信号処理(SP)、機械学習(ML)、ディープラーニング(DL)、BRB故障のハイブリッドアーキテクチャを用いた様々な故障診断手法を提案している。
本稿では,1,2,3,4のBRB断層を電流信号と振動信号データを用いて診断するために,ShuffleNetV2というトランスファーラーニングに基づく軽量DLモデルを用いて,BRB断層の大規模データを実装する。
論文 参考訳（メタデータ） (2025-01-07T12:40:11Z) - RmGPT: A Foundation Model with Generative Pre-trained Transformer for Fault Diagnosis and Prognosis in Rotating Machinery [20.52039868199533]
現在のPHM(Prognostics and Health Management)の手法は、しばしばタスク固有のモデルに依存している。
生成前訓練モデルの進歩に触発されて,診断・予後タスクの統一モデルであるRmGPTを提案する。
RmGPTは最先端のアルゴリズムを著しく上回り、診断タスクではほぼ完璧な精度、予後タスクでは例外的に低い誤差を達成している。
論文 参考訳（メタデータ） (2024-09-26T07:40:47Z) - 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) - Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-09T01:09:59Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文 参考訳（メタデータ） (2021-07-05T11:46:00Z) - Quick Learning Mechanism with Cross-Domain Adaptation for Intelligent
Fault Diagnosis [11.427019313283997]
本稿では, 可変作業条件下で動作する回転機械の知的故障診断のための高速学習機構を提案する。
本研究では,Net2Net変換による素早い学習法と,新規データの最大平均不一致をキャンセル・最小化するための微調整法を提案する。
提案手法の有効性は,CWRUデータセット,IMSベアリングデータセット,Paderborn大学データセットで実証されている。
論文 参考訳（メタデータ） (2021-03-16T07:24:37Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳（メタデータ） (2020-08-31T01:11:04Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z) - 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。