論文の概要: Digital Twin-Driven Zero-Shot Fault Diagnosis of Axial Piston Pumps Using Fluid-Borne Noise Signals

• arxiv url: http://arxiv.org/abs/2512.19280v1
• Date: Mon, 22 Dec 2025 11:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.72624
• Title: Digital Twin-Driven Zero-Shot Fault Diagnosis of Axial Piston Pumps Using Fluid-Borne Noise Signals
• Title（参考訳）: 流体音信号を用いた軸方向ピストンポンプのディジタルツイン駆動ゼロショット故障診断
• Authors: Chang Dong, Jianfeng Tao, Chengliang Liu,
• Abstract要約: 軸方向ピストンポンプは流体発電システムにおいて重要な構成要素である。 従来のデータ駆動手法は広範なラベル付き障害データを必要とする。 本稿では,ディジタルツイン駆動型ゼロショット故障診断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）: 4.11115562060457
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Axial piston pumps are crucial components in fluid power systems, where reliable fault diagnosis is essential for ensuring operational safety and efficiency. Traditional data-driven methods require extensive labeled fault data, which is often impractical to obtain, while model-based approaches suffer from parameter uncertainties. This paper proposes a digital twin (DT)-driven zero-shot fault diagnosis framework utilizing fluid-borne noise (FBN) signals. The framework calibrates a high-fidelity DT model using only healthy-state data, generates synthetic fault signals for training deep learning classifiers, and employs a physics-informed neural network (PINN) as a virtual sensor for flow ripple estimation. Gradient-weighted class activation mapping (Grad-CAM) is integrated to visualize the decision-making process of neural networks, revealing that large kernels matching the subsequence length in time-domain inputs and small kernels in time-frequency domain inputs enable higher diagnostic accuracy by focusing on physically meaningful features. Experimental validations demonstrate that training on signals from the calibrated DT model yields diagnostic accuracies exceeding 95\% on real-world benchmarks, while uncalibrated models result in significantly lower performance, highlighting the framework's effectiveness in data-scarce scenarios.
• Abstract（参考訳）: 軸方向ピストンポンプは、運転安全と効率を確保するために信頼性の高い故障診断が不可欠である流体発電システムにおいて重要な構成要素である。 従来のデータ駆動手法は広範なラベル付きフォールトデータを必要とするが、モデルに基づくアプローチはパラメータの不確実性に悩まされる。 本稿では,FBN信号を利用したディジタルツイン駆動ゼロショット故障診断フレームワークを提案する。 このフレームワークは、健全な状態データのみを用いて高忠実度DTモデルを校正し、ディープラーニング分類器を訓練するための合成故障信号を生成し、物理インフォームドニューラルネットワーク(PINN)をフローリップル推定のための仮想センサとして利用する。 勾配重み付きクラスアクティベーションマッピング(Grad-CAM)はニューラルネットワークの決定過程を可視化するために統合され、時間領域入力と時間周波数領域入力の小さなカーネルのサブシーケンス長に一致する大きなカーネルは、物理的に意味のある特徴に焦点を合わせることで、より高精度な精度を実現する。 実験的な検証では、キャリブレーションされたDTモデルからの信号のトレーニングにより、実世界のベンチマークでは95%以上の診断精度が得られ、非校正されたモデルはパフォーマンスが著しく低下し、データスカースシナリオにおけるフレームワークの有効性が強調される。

関連論文リスト

• Noise Robust One-Class Intrusion Detection on Dynamic Graphs [46.453758431767724]
  本研究では,TGN-SVDDモデルの確率的バージョンを導入し,入力雑音の有無の検出精度を高めることを目的とした。 合成ノイズを用いたCIC-IDS 2017データセットの修正実験により, ベースラインTGN-SVDDモデルに比べて検出性能が著しく向上した。
  論文  参考訳（メタデータ） (2025-08-19T18:36:11Z)
• GNN-ASE: Graph-Based Anomaly Detection and Severity Estimation in Three-Phase Induction Machines [0.0]
  本稿では,誘導機の故障診断にグラフニューラルネットワーク(GNN)を用いたモデルフリーアプローチを提案する。 提案したGNN-ASEモデルは,生の入力から関連する特徴を自動的に学習し,抽出する。 個別断層検出と複合断層条件の多クラス分類について評価した。
  論文  参考訳（メタデータ） (2025-07-23T01:50:07Z)
• Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
  本研究では,データ駆動型最適化手法であるDoDTIを紹介する。 提案手法はDTIパラメータ推定における最先端性能を実現する。 特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
  論文  参考訳（メタデータ） (2024-09-04T07:35:12Z)
• TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis [0.5277756703318045]
  本稿では,音環境における故障診断性能を向上させるため,TDANet(Tunal Denoise Convolutional Neural Network With Attention)を提案する。 TDANetモデルは、その周期特性に基づいて1次元信号を2次元テンソルに変換し、マルチスケールの2次元畳み込みカーネルを用いて周期内および周期間の信号情報を抽出する。 CWRU (single sensor) とReal Aircraft Sensor Fault (multiple sensor) の2つのデータセットに対する評価は、TDANetモデルがノイズの多い環境下での診断精度において既存のディープラーニングアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-03-29T02:54:41Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Label-free timing analysis of SiPM-based modularized detectors with physics-constrained deep learning [9.234802409391111]
  モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。 本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-24T09:16:31Z)
• Non-destructive Fault Diagnosis of Electronic Interconnects by Learning Signal Patterns of Reflection Coefficient in the Frequency Domain [1.8843687952462742]
  本稿では,早期故障検出と相互接続欠陥の正確な診断のための新しい非破壊的手法を提案する。 提案手法は, 周波数範囲にわたる係数反射の信号パターンを利用して, 根本原因同定と重大度評価の両立を可能にする。 実験結果から,本手法は断層検出および診断に有効であり,実世界の産業応用に拡張できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-20T10:51:21Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。