論文の概要: Semi-supervised and unsupervised learning for health indicator extraction from guided waves in aerospace composite structures

• arxiv url: http://arxiv.org/abs/2510.24614v1
• Date: Tue, 28 Oct 2025 16:44:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.275934
• Title: Semi-supervised and unsupervised learning for health indicator extraction from guided waves in aerospace composite structures
• Title（参考訳）: 航空宇宙複合構造物における誘導波からの健康指標抽出のための半教師あり教師なし学習
• Authors: James Josep Perry, Pablo Garcia-Conde Ortiz, George Konstantinou, Cornelie Vergouwen, Edlyn Santha Kumaran, Morteza Moradi,
• Abstract要約: 健康指標(HIs)は、航空宇宙複合構造物の状態の診断と診断の中心である。 本研究では、マルチドメイン信号処理と統合された2つの学習手法を用いてHIを学習するデータ駆動型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）: 0.6922116595976161
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Health indicators (HIs) are central to diagnosing and prognosing the condition of aerospace composite structures, enabling efficient maintenance and operational safety. However, extracting reliable HIs remains challenging due to variability in material properties, stochastic damage evolution, and diverse damage modes. Manufacturing defects (e.g., disbonds) and in-service incidents (e.g., bird strikes) further complicate this process. This study presents a comprehensive data-driven framework that learns HIs via two learning approaches integrated with multi-domain signal processing. Because ground-truth HIs are unavailable, a semi-supervised and an unsupervised approach are proposed: (i) a diversity deep semi-supervised anomaly detection (Diversity-DeepSAD) approach augmented with continuous auxiliary labels used as hypothetical damage proxies, which overcomes the limitation of prior binary labels that only distinguish healthy and failed states while neglecting intermediate degradation, and (ii) a degradation-trend-constrained variational autoencoder (DTC-VAE), in which the monotonicity criterion is embedded via an explicit trend constraint. Guided waves with multiple excitation frequencies are used to monitor single-stiffener composite structures under fatigue loading. Time, frequency, and time-frequency representations are explored, and per-frequency HIs are fused via unsupervised ensemble learning to mitigate frequency dependence and reduce variance. Using fast Fourier transform features, the augmented Diversity-DeepSAD model achieved 81.6% performance, while DTC-VAE delivered the most consistent HIs with 92.3% performance, outperforming existing baselines.
• Abstract（参考訳）: 健康指標(HIs)は、航空宇宙複合構造物の状態を診断し、診断する中心であり、効率的なメンテナンスと運用上の安全性を実現する。 しかし, 材料特性の変化, 確率的損傷進化, 各種損傷モードなどにより, 信頼性の高いHIの抽出は依然として困難である。 製造上の欠陥(例、デボンド)やサービス内インシデント(例、バードストライク)は、このプロセスをさらに複雑にします。 本研究では,マルチドメイン信号処理と統合された2つの学習手法を用いてHIを学習する包括的データ駆動フレームワークを提案する。 接地トルースHIは利用できないため、半監督的アプローチと非監督的アプローチが提案されている。 一 多様性深層半教師付き異常検出(ダイバーシティ・ディープSAD)アプローチにおいて、中間劣化を無視しつつ、健康状態と失敗状態のみを区別する先行バイナリラベルの制限を克服し、仮説的ダメージプロキシとして連続的な補助ラベルを付加すること。 (II) モノトニック性基準を明示的傾向制約により埋め込んだ劣化トレンダ制約可変オートエンコーダ(DTC-VAE)。 複数の励起周波数を持つ誘導波を用いて, 疲労荷重下での単一スティッフェナー複合構造をモニタリングする。 時間, 周波数, 時間周波数の表現を探索し, 周波数毎のHIを教師なしアンサンブル学習により融合させて周波数依存性を緩和し, ばらつきを低減する。 高速フーリエ変換機能を使用し、改良されたダイバーシティ・ディープSADは81.6%のパフォーマンスを達成し、DTC-VAEは92.3%のパフォーマンスで既存のベースラインを上回った。

関連論文リスト

• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• A Self-Adaptive Frequency Domain Network for Continuous Intraoperative Hypotension Prediction [9.841996321633298]
  術中低血圧 (IOH) は, 術後合併症と強く関連している。 既存の手法は時間領域情報と周波数領域情報の両方を組み込む際に制限に直面している。 SAFDNet(Self-Adaptive Frequency Domain Network)を提案する。
  論文  参考訳（メタデータ） (2025-09-28T08:02:28Z)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data [3.265784083548797]
  本稿では,障害検出と分離のための新しい教師なし深層学習手法として,GAWNO(Generative Adversarial Wavelet Neural operator)を提案する。 最初の段階では、GAWNOは通常の運用条件のデータセットに基づいてトレーニングされ、基礎となるデータ分布を学習する。 第2段階では, 差分値に基づいて故障を検出し, 分離するために, 再構成誤差に基づくしきい値法を用いる。
  論文  参考訳（メタデータ） (2024-01-08T16:36:47Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Non-contact Sensing for Anomaly Detection in Wind Turbine Blades: A focus-SVDD with Complex-Valued Auto-Encoder Approach [2.967390112155113]
  我々は、FMCWレーダを非破壊検知モードとして利用する製造の品質保証を強化する。 焦点支援ベクトルデータ記述(focus-SVDD)と呼ばれる新しい異常検出手法を提案する。 提案手法の有効性は, 収集データへの適用を通して実証する。
  論文  参考訳（メタデータ） (2023-06-19T09:54:34Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• 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。