論文の概要: 6G-Enabled Digital Twin Framework for Real-Time Cyber-Physical Systems: An Experimental Validation with Industrial Bearing Fault Detection

• arxiv url: http://arxiv.org/abs/2510.03807v1
• Date: Sat, 04 Oct 2025 13:29:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.263747
• Title: 6G-Enabled Digital Twin Framework for Real-Time Cyber-Physical Systems: An Experimental Validation with Industrial Bearing Fault Detection
• Title（参考訳）: 6G-Enabled Digital Twin Framework for Real-Time Cyber-Physical Systems: An Experimental Validation with Industrial Bearing Fault Detection (特集:情報ネットワーク)
• Authors: Vaskar Chakma, Wooyeol Choi,
• Abstract要約: 既存の5G対応システムは10msを超えるレイテンシに悩まされており、ミリ秒以下の応答時間を必要とするアプリケーションには不十分である。 本研究の目的は、超低遅延通信とリアルタイム同期を実現する6G対応のDigital Twinフレームワークを開発することである。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Current Cyber-Physical Systems (CPS) integrated with Digital Twin (DT) technology face critical limitations in achieving real-time performance for mission-critical industrial applications. Existing 5G-enabled systems suffer from latencies exceeding 10ms, which are inadequate for applications requiring sub-millisecond response times, such as autonomous industrial control and predictive maintenance. This research aims to develop and validate a 6G-enabled Digital Twin framework that achieves ultra-low latency communication and real-time synchronization between physical industrial assets and their digital counterparts, specifically targeting bearing fault detection as a critical industrial use case. The proposed framework integrates terahertz communications (0.1-1 THz), intelligent reflecting surfaces, and edge artificial intelligence within a five-layer architecture. Experimental validation was conducted using the Case Western Reserve University (CWRU) bearing dataset, implementing comprehensive feature extraction (15 time and frequency domain features) and Random Forest classification algorithms. The system performance was evaluated against traditional WiFi-6 and 5G networks across multiple metrics, including classification accuracy, end-to-end latency, and scalability. It achieved 97.7% fault classification accuracy with 0.8ms end-to-end latency, representing a 15.6x improvement over WiFi-6 (12.5ms) and 5.25x improvement over 5G (4.2ms) networks. The system demonstrated superior scalability with sub-linear processing time growth and maintained consistent performance across four bearing fault categories (normal, inner race, outer race, and ball faults) with macro-averaged F1-scores exceeding 97%.
• Abstract（参考訳）: 現在のCPS(Cyber-Physical Systems)は、Digital Twin (DT)技術と統合されている。 既存の5G対応システムは10msを超えるレイテンシに悩まされており、自律的な産業制御や予測保守といったミリ秒以下の応答時間を必要とするアプリケーションには不十分である。 本研究の目的は、6G対応のDigital Twinフレームワークの開発と評価である。これは、物理的産業資産とそれらのデジタル資産との間の超低レイテンシ通信とリアルタイム同期を実現するもので、特に、故障検出を重要な産業ユースケースとして扱うことを目的としている。 提案フレームワークは,テラヘルツ通信(0.1-1 THz),インテリジェント反射面,エッジ人工知能を5層アーキテクチャに統合する。 ケース・ウェスタン・リザーブ大学 (CWRU) のデータセットを用いて, 包括的特徴抽出 (15時間・周波数領域の特徴) とランダムフォレスト分類アルゴリズムを用いて実験的に検証を行った。 システム性能は、分類精度、エンドツーエンドのレイテンシ、スケーラビリティなど、複数のメトリクスにわたる従来のWiFi-6および5Gネットワークに対して評価された。 フォールト分類の精度は97.7%、エンドツーエンドのレイテンシは0.8msで、WiFi-6 (12.5ms) よりも15.6倍、5G (4.2ms) ネットワークより5.25倍向上した。 このシステムは, 平均F1スコアが97%を超える4つの軸受断層(正常, 内レース, 外レース, ボールフォールト)において, サブ線形処理時間成長によるスケーラビリティが向上し, 一貫した性能を維持した。

関連論文リスト

• CST-AFNet: A dual attention-based deep learning framework for intrusion detection in IoT networks [0.2180739748940442]
  本研究は、IoTネットワークにおけるロバストな侵入検知のための新しいデュアルアテンションベースのディープラーニングフレームワークであるCST AFNetを提案する。 提案モデルでは,15種類の攻撃タイプと良性トラフィックの両方において,優れた精度を実現する。 CST AFNetは、複雑なIoTおよびIIoT環境において、リアルタイムのサイバー脅威検出のための強力でスケーラブルなソリューションであることを確認した。
  論文  参考訳（メタデータ） (2025-10-03T04:36:19Z)
• Data-Driven Antenna Miniaturization: A Knowledge-Based System Integrating Quantum PSO and Predictive Machine Learning Models [0.0]
  本研究では,HFSSシミュレーションと量子ビーム動的粒子群最適化を統合し,アンテナ設計を高速化する。 QDPSOアルゴリズムは11.53秒でループ次元を自動最適化し、共振周波数は1.2208 GHzである。 システムは、製造可能なパラメータを自動生成するパフォーマンスターゲットの正確な仕様を可能にする。
  論文  参考訳（メタデータ） (2025-05-28T15:04:36Z)
• Enhancing 5G O-RAN Communication Efficiency Through AI-Based Latency Forecasting [2.3784320672898227]
  本稿では,関数型O-RANプロトタイプに統合された人工知能駆動の遅延予測システムを提案する。 このシステムは、双方向の長期記憶モデルを使用して、FlexRICで構築されたスケーラブルでオープンソースのフレームワーク内で、リアルタイムで遅延を予測する。 実験の結果、モデルの有効性が示され、0.04未満の損失測定値が得られ、ダイナミックな5G環境に適用可能であることが証明された。
  論文  参考訳（メタデータ） (2025-02-25T10:11:48Z)
• Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics [0.0]
  本稿では,拡張量子回帰ニューラルネットワーク(EQRNN)を中心に,新しい予測保守フレームワークを提案する。 先進的なニューラルネットワークを組み合わせたハイブリッドアプローチによる早期障害検出の課題に対処する。 計算効率を維持しながら複雑なマルチモーダルセンサーデータを処理する上でのこのフレームワークの有効性は、産業用4.0の製造環境への適用性を検証する。
  論文  参考訳（メタデータ） (2025-01-09T09:11:40Z)
• OFDM-Standard Compatible SC-NOFS Waveforms for Low-Latency and Jitter-Tolerance Industrial IoT Communications [53.398544571833135]
  この研究は、スペクトル的に効率的な不規則なSinc (irSinc) 整形法を提案し、1924年に従来のSincを再考した。 irSincは、誤差性能を犠牲にすることなくスペクトル効率が向上した信号を生成する。 我々の信号は、5G標準信号構成により、同じスペクトル帯域内で高速なデータ伝送を実現する。
  論文  参考訳（メタデータ） (2024-06-07T09:20:30Z)
• ADL-ID: Adversarial Disentanglement Learning for Wireless Device Fingerprinting Temporal Domain Adaptation [10.757714954405378]
  RFFPタスクの時間領域適応に対処するための教師なしドメイン適応フレームワークであるADL-IDを提案する。 我々のフレームワークは実際のLoRaおよびWiFiデータセットで評価され、ベースラインCNNネットワークと比較して約24%精度が向上した。 また、長期適応において、分類精度を最大9%向上させる。
  論文  参考訳（メタデータ） (2023-01-29T04:52:41Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• WNARS: WFST based Non-autoregressive Streaming End-to-End Speech Recognition [59.975078145303605]
  本稿では,ハイブリッドCTC-attention AEDモデルと重み付き有限状態トランスデューサを用いた新しいフレームワークWNARSを提案する。 AISHELL-1タスクでは、640msの遅延で5.22%の文字エラー率を達成し、オンラインASRの最先端のパフォーマンスである私たちの知識を最大限に活用します。
  論文  参考訳（メタデータ） (2021-04-08T07:56:03Z)

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。