論文の概要: Graph Neural Network-Based Semi-Supervised Open-Set Fault Diagnosis for Marine Machinery Systems

• arxiv url: http://arxiv.org/abs/2511.01258v1
• Date: Mon, 03 Nov 2025 06:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.135322
• Title: Graph Neural Network-Based Semi-Supervised Open-Set Fault Diagnosis for Marine Machinery Systems
• Title（参考訳）: グラフニューラルネットワークを用いた海洋機械システムの半スーパービジョンオープンセット故障診断
• Authors: Chuyue Lou, M. Amine Atoui,
• Abstract要約: 本稿では,半教師付きオープンセット故障診断(SOFD)フレームワークを提案する。 本フレームワークは、教師付き特徴学習モデルにより抽出された多層融合特徴表現を用いて、ラベルなしテストサブセットを選択する信頼性サブセット構築プロセスを含む。 ラベル付きトレーニングセットと擬似ラベル付きテストサブセットは、半教師付き診断モデルに入力され、各クラスの識別的特徴を学習し、既知の障害の正確な分類と未知のサンプルの効果的な検出を可能にする。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, fault diagnosis methods for marine machinery systems based on deep learning models have attracted considerable attention in the shipping industry. Most existing studies assume fault classes are consistent and known between the training and test datasets, and these methods perform well under controlled environment. In practice, however, previously unseen or unknown fault types (i.e., out-of-distribution or open-set observations not present during training) can occur, causing such methods to fail and posing a significant challenge to their widespread industrial deployment. To address this challenge, this paper proposes a semi-supervised open-set fault diagnosis (SOFD) framework that enhances and extends the applicability of deep learning models in open-set fault diagnosis scenarios. The framework includes a reliability subset construction process, which uses a multi-layer fusion feature representation extracted by a supervised feature learning model to select an unlabeled test subset. The labeled training set and pseudo-labeled test subset are then fed into a semi-supervised diagnosis model to learn discriminative features for each class, enabling accurate classification of known faults and effective detection of unknown samples. Experimental results on a public maritime benchmark dataset demonstrate the effectiveness and superiority of the proposed SOFD framework.
• Abstract（参考訳）: 近年,深層学習モデルに基づく海洋機械システムの故障診断手法が海運業界で注目されている。 既存の研究の多くは、フォールトクラスはトレーニングとテストデータセットの間に一貫性があり、知られていると考えており、これらの手法は制御された環境下でうまく機能している。 しかし、実際には、以前は目に見えない、あるいは未知の障害タイプ(すなわち、訓練中に存在しないアウト・オブ・ディストリビューションやオープン・セットの観察)が発生し、そのような手法が失敗し、その広範な産業展開に重大な挑戦を巻き起こす。 この課題に対処するために、オープンセット障害診断シナリオにおけるディープラーニングモデルの適用性を高め、拡張する半教師付きオープンセット障害診断(SOFD)フレームワークを提案する。 本フレームワークは、教師付き特徴学習モデルにより抽出された多層融合特徴表現を用いて、ラベルなしテストサブセットを選択する信頼性サブセット構築プロセスを含む。 ラベル付きトレーニングセットと擬似ラベル付きテストサブセットは、半教師付き診断モデルに入力され、各クラスの識別的特徴を学習し、既知の障害の正確な分類と未知のサンプルの効果的な検出を可能にする。 公的な海上ベンチマークデータセットの実験結果から,提案したSOFDフレームワークの有効性と優位性を示す。

関連論文リスト

• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation [9.560742599396411]
  クラスインクリメンタルな障害診断は、以前の知識を維持しながら新しい障害クラスに適応するモデルを必要とする。 本稿では,クラスインクリメンタル・フォールト・診断のためのスーパーバイザード・コントラスト・ナレッジ・ディチリレーションを提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:20:29Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• Generalized Out-of-distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning [8.583116999933731]
  本稿では,診断サブタスクを統合するために,一般化されたアウト・オブ・ディストリビューション障害診断フレームワークを提案する。 内部のコントラスト学習とマハラノビス距離に基づく統一的な断層診断手法が提案手法の基盤となる。 提案手法は,複数の故障診断タスクに適用可能であり,既存の単一タスク法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-06-27T07:50:25Z)
• An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System [26.733033919978364]
  本稿では,産業システムにおけるリアルタイムマルチモード故障診断のための新しい手法を提案する。 提案手法では,拡張エビデンス推論 (ER) アルゴリズムを用いて情報を融合し,異なる基底分類器から出力をマージする。 提案手法の有効性は、マルチモードのテネシー・イーストマンプロセスデータセット上で実証される。
  論文  参考訳（メタデータ） (2023-04-29T04:42:44Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。