論文の概要: An Advanced Convolutional Neural Network for Bearing Fault Diagnosis under Limited Data

• arxiv url: http://arxiv.org/abs/2509.11053v1
• Date: Sun, 14 Sep 2025 02:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.887325
• Title: An Advanced Convolutional Neural Network for Bearing Fault Diagnosis under Limited Data
• Title（参考訳）: 有限データによるベアリング異常診断のための進化的畳み込みニューラルネットワーク
• Authors: Shengke Sun, Shuzhen Han, Ziqian Luan, Xinghao Qin, Jiao Yin, Zhanshan Zhao, Jinli Cao, Hua Wang,
• Abstract要約: 本稿では,限られたデータの下で故障診断を行うための高度なデータ拡張とコントラッシブ・フーリエ・コンボリューション・フレームワーク(DAC-FCF)を提案する。 DAC-FCFは、ベースラインを最大32%上回る、大幅な改善を達成している。
• 参考スコア（独自算出の注目度）: 5.351573093028336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the area of bearing fault diagnosis, deep learning (DL) methods have been widely used recently. However, due to the high cost or privacy concerns, high-quality labeled data are scarce in real world scenarios. While few-shot learning has shown promise in addressing data scarcity, existing methods still face significant limitations in this domain. Traditional data augmentation techniques often suffer from mode collapse and generate low-quality samples that fail to capture the diversity of bearing fault patterns. Moreover, conventional convolutional neural networks (CNNs) with local receptive fields makes them inadequate for extracting global features from complex vibration signals. Additionally, existing methods fail to model the intricate relationships between limited training samples. To solve these problems, we propose an advanced data augmentation and contrastive fourier convolution framework (DAC-FCF) for bearing fault diagnosis under limited data. Firstly, a novel conditional consistent latent representation and reconstruction generative adversarial network (CCLR-GAN) is proposed to generate more diverse data. Secondly, a contrastive learning based joint optimization mechanism is utilized to better model the relations between the available training data. Finally, we propose a 1D fourier convolution neural network (1D-FCNN) to achieve a global-aware of the input data. Experiments demonstrate that DAC-FCF achieves significant improvements, outperforming baselines by up to 32\% on case western reserve university (CWRU) dataset and 10\% on a self-collected test bench. Extensive ablation experiments prove the effectiveness of the proposed components. Thus, the proposed DAC-FCF offers a promising solution for bearing fault diagnosis under limited data.
• Abstract（参考訳）: 近年, 断層診断の分野では, 深層学習(DL)法が広く用いられている。 しかし、高コストやプライバシー上の懸念から、高品質なラベル付きデータは現実のシナリオでは不十分である。 数少ないショットラーニングは、データの不足に対処する上で有望であることを示しているが、既存のメソッドはまだ、この領域で重要な制限に直面している。 従来のデータ拡張技術は、しばしばモード崩壊に悩まされ、フォールトパターンの多様性を捉えるのに失敗する低品質のサンプルを生成する。 さらに、局所受容場を持つ従来の畳み込みニューラルネットワーク(CNN)は、複雑な振動信号からグローバルな特徴を抽出するには不十分である。 さらに、既存の手法では、限られたトレーニングサンプル間の複雑な関係をモデル化できない。 これらの問題を解決するために,限られたデータの下で故障診断を行うための高度なデータ拡張および対照的なフーリエ畳み込みフレームワーク(DAC-FCF)を提案する。 まず、より多様なデータを生成するために、新しい条件一貫した潜在表現と再構成生成対向ネットワーク(CCLR-GAN)を提案する。 次に、比較学習に基づく共同最適化機構を用いて、利用可能なトレーニングデータ間の関係をより良くモデル化する。 最後に,入力データのグローバルな認識を実現するために,1次元フーリエ畳み込みニューラルネットワーク (1D-FCNN) を提案する。 実験により、DAC-FCFは、西リザーブ大学(CWRU)データセットで最大32\%、自着テストベンチで最大10\%のベースラインを上回り、大幅な改善を実現していることが示された。 広範囲にわたるアブレーション実験により,提案した成分の有効性が証明された。 このようにして提案したDAC-FCFは,限られたデータの下で故障診断を行うための有望なソリューションを提供する。

関連論文リスト

• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Enhancing GANs with Contrastive Learning-Based Multistage Progressive Finetuning SNN and RL-Based External Optimization [0.0]
  Gene Adversarial Networks (GAN) は画像合成の最前線にあり、特に病理学のような医学分野において、データの不足、患者のプライバシー、クラス不均衡といった課題に対処している。 GANでは、トレーニングの不安定性、モード崩壊、バイナリ分類からのフィードバック不足がパフォーマンスを損なう可能性がある。 これらの課題は、複雑な特徴表現と空間的詳細のため、特に高解像度の病理像で顕著である。
  論文  参考訳（メタデータ） (2024-09-30T14:39:56Z)
• Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry [1.673828135656713]
  マルチスケールグラフ畳み込みフィルタ(MSGCF)を用いた故障診断手法を提案する。 MSGCFは、グラフ畳み込みフィルタブロックにローカル情報融合モジュールとグローバル情報融合モジュールを統合することで、従来のグラフニューラルネットワークフレームワークを強化する。 パーダーボルン大学ベアリングデータセット(PU)の実験では、提案したMSGCF法が精度において代替アプローチを上回ることが示されている。
  論文  参考訳（メタデータ） (2024-05-30T02:51:29Z)
• Data-Free Federated Class Incremental Learning with Diffusion-Based Generative Memory [27.651921957220004]
  拡散型生成メモリ(DFedDGM)を用いた新しいデータフリーフェデレーションクラスインクリメンタルラーニングフレームワークを提案する。 FLにおける一般の非IID問題を軽減するために拡散モデルの訓練を支援するために,新しいバランスの取れたサンプルを設計する。 また、情報理論の観点からエントロピーに基づくサンプルフィルタリング手法を導入し、生成サンプルの品質を向上させる。
  論文  参考訳（メタデータ） (2024-05-22T20:59:18Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
  本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。 提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
  論文  参考訳（メタデータ） (2022-02-11T10:33:53Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。