論文の概要: OmniFuser: Adaptive Multimodal Fusion for Service-Oriented Predictive Maintenance

• arxiv url: http://arxiv.org/abs/2511.01320v1
• Date: Mon, 03 Nov 2025 08:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.170875
• Title: OmniFuser: Adaptive Multimodal Fusion for Service-Oriented Predictive Maintenance
• Title（参考訳）: OmniFuser: サービス指向の予測メンテナンスのための適応型マルチモーダルフュージョン
• Authors: Ziqi Wang, Hailiang Zhao, Yuhao Yang, Daojiang Hu, Cheng Bao, Mingyi Liu, Kai Di, Schahram Dustdar, Zhongjie Wang, Shuiguang Deng,
• Abstract要約: 我々は,ミリングツールの予測保守のための学習フレームワークであるOmniFuserを紹介する。 高解像度のツールイメージとカットフォース信号から並列特徴抽出を行う。 実世界のミリングデータセットの実験では、OmniFuserは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 22.859675451834747
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate and timely prediction of tool conditions is critical for intelligent manufacturing systems, where unplanned tool failures can lead to quality degradation and production downtime. In modern industrial environments, predictive maintenance is increasingly implemented as an intelligent service that integrates sensing, analysis, and decision support across production processes. To meet the demand for reliable and service-oriented operation, we present OmniFuser, a multimodal learning framework for predictive maintenance of milling tools that leverages both visual and sensor data. It performs parallel feature extraction from high-resolution tool images and cutting-force signals, capturing complementary spatiotemporal patterns across modalities. To effectively integrate heterogeneous features, OmniFuser employs a contamination-free cross-modal fusion mechanism that disentangles shared and modality-specific components, allowing for efficient cross-modal interaction. Furthermore, a recursive refinement pathway functions as an anchor mechanism, consistently retaining residual information to stabilize fusion dynamics. The learned representations can be encapsulated as reusable maintenance service modules, supporting both tool-state classification (e.g., Sharp, Used, Dulled) and multi-step force signal forecasting. Experiments on real-world milling datasets demonstrate that OmniFuser consistently outperforms state-of-the-art baselines, providing a dependable foundation for building intelligent industrial maintenance services.
• Abstract（参考訳）: ツール条件の正確かつタイムリーな予測は、計画されていないツール故障が品質劣化と生産停止に繋がるインテリジェントな製造システムにとって重要である。 現代の産業環境では、検知、分析、意思決定を生産プロセス全体で統合するインテリジェントなサービスとして、予測的メンテナンスがますます実施されている。 信頼性とサービス指向の操作の需要を満たすため,視覚データとセンサデータの両方を活用するミリングツールの予測保守のためのマルチモーダル学習フレームワークであるOmniFuserを提案する。 高解像度のツールイメージとカットフォース信号から並列の特徴抽出を行い、モード間の相補的な時空間パターンをキャプチャする。 不均一な特徴を効果的に統合するために、OmniFuserは、共有とモダリティ固有のコンポーネントをアンタングルする汚染のないクロスモーダル融合機構を採用し、効率的なクロスモーダル相互作用を可能にする。 さらに、再帰的精製経路はアンカー機構として機能し、核融合力学を安定させるために残った情報を一貫して保持する。 学習した表現は、再利用可能なメンテナンスサービスモジュールとしてカプセル化することができ、ツール状態の分類(例えば、Sharp、Used、Dulled)とマルチステップのフォース信号予測の両方をサポートする。 実世界のミリングデータセットの実験によると、OmniFuserは最先端のベースラインを一貫して上回り、インテリジェントな産業保守サービスを構築するための信頼性の高い基盤を提供する。

関連論文リスト

• Contrastive Learning-Based Dependency Modeling for Anomaly Detection in Cloud Services [6.382793463325052]
  本稿では,コントラスト学習を統合した依存性モデリングと異常検出手法を提案する。 対照的な学習フレームワークを導入し、正と負のサンプルペアを構築し、正常パターンと異常パターンの分離性を高める。 提案手法は、Precision、Recall、F1-Score、AUCといった主要なメトリクスにおいて、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-10-15T09:59:16Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• Prescriptive Agents based on RAG for Automated Maintenance (PARAM) [0.0]
  本稿では,Large Language Model (LLM) をベースとしたインテリジェンスシステムについて述べる。 提案手法は,LLM処理のための自然言語に軸受振動データをシリアライズすることで,高精度に数発の異常検出を可能にする。 マルチエージェントコンポーネントは、ベクター埋め込みとセマンティックサーチを使用してメンテナンスマニュアルを処理し、ウェブ検索を行い、包括的な手続き的知識を検索する。 Geminiモデルは、即時アクション、インスペクションチェックリスト、修正措置、部品要件、タイムライン仕様を含む構造化されたメンテナンスレコメンデーションを生成する。
  論文  参考訳（メタデータ） (2025-07-28T14:22:19Z)
• Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
  我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。 MeCoは、表現空間内の高レベル認知信号をキャプチャすることで、メタ認知スコアを定量化する。 MeCoは微調整不要で、最小限のコストがかかる。
  論文  参考訳（メタデータ） (2025-02-18T15:45:01Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。