論文の概要: Hypergraph Contrastive Sensor Fusion for Multimodal Fault Diagnosis in Induction Motors
- arxiv url: http://arxiv.org/abs/2510.15547v1
- Date: Fri, 17 Oct 2025 11:28:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-20 20:17:34.593307
- Title: Hypergraph Contrastive Sensor Fusion for Multimodal Fault Diagnosis in Induction Motors
- Title（参考訳）: 誘導電動機のマルチモーダル故障診断のためのハイパーグラフコントラストセンサフュージョン
- Authors: Usman Ali, Ali Zia, Waqas Ali, Umer Ramzan, Abdul Rehman, Muhammad Tayyab Chaudhry, Wei Xiang,
- Abstract要約: 本稿では,堅牢な断層診断のための統合フレームワークMM-HCANを提案する。
MM-HCANは、マルチモーダルセンサー融合用に特別に設計されたハイパーグラフトポロジーにコントラスト学習を統合する最初の方法である。
クロスドメインの強力な一般化とノイズに対するレジリエンスにより、99.82%の精度を達成し、現実世界のデプロイメントに適していることを実証している。
- 参考スコア（独自算出の注目度）: 9.439278188304502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable induction motor (IM) fault diagnosis is vital for industrial safety and operational continuity, mitigating costly unplanned downtime. Conventional approaches often struggle to capture complex multimodal signal relationships, are constrained to unimodal data or single fault types, and exhibit performance degradation under noisy or cross-domain conditions. This paper proposes the Multimodal Hypergraph Contrastive Attention Network (MM-HCAN), a unified framework for robust fault diagnosis. To the best of our knowledge, MM-HCAN is the first to integrate contrastive learning within a hypergraph topology specifically designed for multimodal sensor fusion, enabling the joint modelling of intra- and inter-modal dependencies and enhancing generalisation beyond Euclidean embedding spaces. The model facilitates simultaneous diagnosis of bearing, stator, and rotor faults, addressing the engineering need for consolidated di- agnostic capabilities. Evaluated on three real-world benchmarks, MM-HCAN achieves up to 99.82% accuracy with strong cross-domain generalisation and resilience to noise, demonstrating its suitability for real-world deployment. An ablation study validates the contribution of each component. MM-HCAN provides a scalable and robust solution for comprehensive multi-fault diagnosis, supporting predictive maintenance and extended asset longevity in industrial environments.
- Abstract（参考訳）: 信頼性誘導電動機(IM)の故障診断は、工業安全と運用継続に不可欠であり、コストのかかる未計画のダウンタイムを軽減している。
従来の手法では複雑なマルチモーダル信号の関係を捉えるのに苦労することが多く、単調なデータや単一障害タイプに制約され、ノイズやクロスドメイン条件下での性能劣化を示す。
本稿では,堅牢な断層診断のための統合フレームワークMM-HCANを提案する。
我々の知る限り、MM-HCANは、マルチモーダル・センサ・フュージョンに特化して設計されたハイパーグラフ・トポロジーにコントラスト学習を統合し、モーダル内およびモーダル間依存関係の結合モデリングを可能にし、ユークリッド埋め込み空間を超えて一般化を向上する最初の方法である。
このモデルは軸受、ステータ、ローターの故障の同時診断を容易にし、統合されたダイアグノスティック機能に対する工学的ニーズに対処する。
3つの実世界のベンチマークで評価され、MM-HCANは99.82%の精度で強いクロスドメインの一般化と耐雑音性を達成し、実世界の展開に適していることを示した。
アブレーション研究は、各コンポーネントの寄与を検証する。
MM-HCANは、包括的なマルチフォールト診断のためのスケーラブルで堅牢なソリューションを提供する。
関連論文リスト
- A Trustworthy Industrial Fault Diagnosis Architecture Integrating Probabilistic Models and Large Language Models [7.074098396770342]
このアーキテクチャはベイジアンネットワークベースの診断エンジンを通じて予備解析を行う。
認知量子モジュールは、初期診断のエキスパートレベルの仲裁を行う。
ケーススタディでは、HCAAが従来のモデルにおける複雑な特徴パターンや知識のギャップに起因する誤判断を効果的に修正することが確認されている。
論文 参考訳（メタデータ） (2025-10-04T14:11:13Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - FusionMAE: large-scale pretrained model to optimize and simplify diagnostic and control of fusion plasma [12.903472110983586]
融合マスク付きオートエンコーダ(FusionMAE)は、88の診断信号から具体的な埋め込みに情報を圧縮するために事前訓練される。
このモデルは'仮想バックアップ診断'の能力を取得し、96.7%の信頼性で欠落した診断データの推測を可能にする。
この研究は、核融合エネルギーにおける大規模なAIモデル統合の先駆者であり、事前学習された埋め込みがシステムインターフェースをいかに単純化するかを実証する。
論文 参考訳（メタデータ） (2025-09-16T10:50:29Z) - Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics [40.044978986425676]
3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。
本稿では,エンジン物理モデルを考慮した教師なし異常発生手法を提案する。
SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
論文 参考訳（メタデータ） (2025-06-10T03:36:16Z) - MoCA: Multi-modal Cross-masked Autoencoder for Digital Health Measurements [2.8493802389913694]
マルチモーダル・クロスマスクオートエンコーダ(Multi-modal Cross-masked Autoencoder, MOCA)は,トランスフォーマアーキテクチャとマスク付きオートエンコーダ(MAE)手法を組み合わせた自己教師型学習フレームワークである。
MoCAは、さまざまなベンチマークデータセット上で、再構築と下流分類タスク間で強力なパフォーマンス向上を示す。
当社のアプローチは、デジタルヘルス領域にまたがる幅広い応用で、未ラベルのマルチモーダルウェアラブルデータを活用するための新しいソリューションを提供する。
論文 参考訳（メタデータ） (2025-06-02T21:07:25Z) - Real-time and Downtime-tolerant Fault Diagnosis for Railway Turnout Machines (RTMs) Empowered with Cloud-Edge Pipeline Parallelism [9.544236630555627]
RTMのリアルタイム・ダウンタイム耐故障診断を可能にするために,エッジクラウド協調早期警戒システムを提案する。
中国江蘇省南京大都市圏が収集した実世界のデータセットでは,アンサンブルに基づく断層診断モデルにより97.4%の精度が得られた。
論文 参考訳（メタデータ） (2024-11-04T13:49:06Z) - RADAR: Robust Two-stage Modality-incomplete Industrial Anomaly Detection [61.71770293720491]
本稿では,2段階のロバスト・モードアリティ不完全融合とFlaAmewoRkの検出について提案する。
我々のブートストラッピング哲学は、MIIADの2段階を強化し、マルチモーダルトランスの堅牢性を向上させることである。
実験の結果,提案手法は従来のMIAD法よりも有効性とロバスト性に優れていた。
論文 参考訳（メタデータ） (2024-10-02T16:47:55Z) - 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) - Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical
Fusion for Multimodal Affect Recognition [69.32305810128994]
モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。
本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。
HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
論文 参考訳（メタデータ） (2023-05-23T01:24:15Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z)
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。