論文の概要: Cross-talk based multi-task learning for fault classification of physically coupled machine system

• arxiv url: http://arxiv.org/abs/2602.05146v1
• Date: Thu, 05 Feb 2026 00:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.67669
• Title: Cross-talk based multi-task learning for fault classification of physically coupled machine system
• Title（参考訳）: クロストークに基づくマルチタスク学習による物理結合マシンシステムの故障分類
• Authors: Wonjun Yi, Rismaya Kumar Mishra, Yong-Hwa Park,
• Abstract要約: マルチタスク学習フレームワークを用いて、障害条件と関連する物理変数を協調的に学習する。 我々は、以前に導入した残留神経次元レダクタモデルに基づいて、その応用を2つのベンチマークに拡張する。 我々の残留神経次元レダクタは、一貫してシングルタスクモデル、全てのラベルの組み合わせをマージするマルチクラスモデル、共有トランクマルチタスクモデルより優れていた。
• 参考スコア（独自算出の注目度）: 3.9571744700171756
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine systems inherently generate signals in which fault conditions and various physical variables are physically coupled. Although many existing fault classification studies rely solely on direct fault labels, the aforementioned signals naturally embed additional information shaped by other physically coupled information. Herein, we leverage this coupling through a multi-task learning (MTL) framework that jointly learns fault conditions and the related physical variables. Among MTL architectures, crosstalk structures have distinct advantages because they allow for controlled information exchange between tasks through the cross-talk layer while preventing negative transfer, in contrast to shared trunk architectures that often mix incompatible features. We build on our previously introduced residual neural dimension reductor model, and extend its application to two benchmarks where physical coupling is prominent. The first benchmark is a drone fault dataset, in which machine type and maneuvering direction significantly alter the frequency components of measured signals even under the same nominal condition. By learning fault classification together with these physical attributes, the cross-talk architecture can better classify faults. The second benchmark dataset is the motor compound fault dataset. In this system, each fault component, inner race fault, outer race fault, misalignment, and unbalance is coupled to the other. For motor compound fault, we also test classification performance when we use single-channel data or multi-channel data as input to the classifier. Across both benchmarks, our residual neural dimension reductor, consistently outperformed single-task models, multi-class models that merge all label combinations, and shared trunk multi-task models.
• Abstract（参考訳）: マシンシステムは本質的に、障害条件と様々な物理変数が物理的に結合された信号を生成する。 多くの既存の断層分類研究は直接断層ラベルにのみ依存しているが、上記の信号は他の物理的に結合した情報によって形成された追加情報を自然に埋め込む。 本稿では、この結合をマルチタスク学習(MTL)フレームワークを用いて、障害条件と関連する物理変数を共同で学習する。 MTLアーキテクチャでは、クロストーク構造は、非互換な特徴を混在する共有トランクアーキテクチャとは対照的に、クロストーク層を介してタスク間の情報交換を制御できるため、明確な利点がある。 我々は、以前に導入した残留神経次元レダクタモデルに基づいて、物理結合が顕著な2つのベンチマークにその応用を拡張した。 最初のベンチマークはドローン故障データセットであり、同じ名目条件下であっても測定された信号の周波数成分を機械タイプと操作方向が著しく変化させる。 これらの物理的属性と共に障害分類を学ぶことで、クロストークアーキテクチャは障害をよりよく分類できる。 第2のベンチマークデータセットは、モーター複合障害データセットである。 本システムでは、各故障成分、内乱断層、外乱断層、不整合、不整合を互いに結合する。 また, 単チャンネルデータや多チャンネルデータを用いて分類器に入力した場合の分類性能についても検討した。 どちらのベンチマークでも、残留神経次元レダクタ、シングルタスクモデル、ラベルの組み合わせをマージするマルチクラスモデル、共有トランクマルチタスクモデルが一貫して優れています。

関連論文リスト

• Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks [4.725935825821886]
  ベアリング故障は機械の故障の主な原因である。 本研究では,これらの課題に対処するためにKolmogorov-Arnold Networksを用いた。 説明可能な結果を提供する軽量モデルを生成する。
  論文  参考訳（メタデータ） (2024-12-02T09:40:03Z)
• Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
  統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
  論文  参考訳（メタデータ） (2024-03-21T08:08:31Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
  微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。 テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。 我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
  論文  参考訳（メタデータ） (2022-05-24T23:43:02Z)
• Correct-N-Contrast: A Contrastive Approach for Improving Robustness to Spurious Correlations [89.86495158918615]
  豪華な相関関係は、堅牢な機械学習にとって大きな課題となる。 経験的リスク最小化(ERM)で訓練されたモデルは、クラスラベルとスプリアス属性の相関に依存することを学習することができる。 CNC(Correct-N-Contrast, Correct-N-Contrast)を提案する。
  論文  参考訳（メタデータ） (2022-03-03T05:03:28Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Residual Generation Using Physically-Based Grey-Box Recurrent Neural Networks For Engine Fault Diagnosis [1.0152838128195467]
  物理モデルと利用可能なトレーニングデータを組み合わせたハイブリッド故障診断手法は有望な結果を示した。 システムモデルの二部グラフ表現を用いて自動残差設計を行い、グレーボックス再帰ニューラルネットワークを設計する。 内燃機関テストベンチからのデータは、機械学習とモデルに基づく故障診断技術を組み合わせる可能性を示すために使用される。
  論文  参考訳（メタデータ） (2020-08-11T11:59:48Z)
• Oversampling Adversarial Network for Class-Imbalanced Fault Diagnosis [12.526197448825968]
  クラス不均衡問題は、データをタイムリーに予測し分類できる堅牢な学習システムを必要とする。 本稿では,同時分類と故障検出のための新しい対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-07T10:12:07Z)

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。