論文の概要: Prognostics of Multisensor Systems with Unknown and Unlabeled Failure Modes via Bayesian Nonparametric Process Mixtures

• arxiv url: http://arxiv.org/abs/2602.19263v1
• Date: Sun, 22 Feb 2026 16:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.554263
• Title: Prognostics of Multisensor Systems with Unknown and Unlabeled Failure Modes via Bayesian Nonparametric Process Mixtures
• Title（参考訳）: ベイズ非パラメトリックプロセス混合による未知および未ラベル故障モードを有するマルチセンサシステムの診断
• Authors: Kani Fu, Sanduni S Disanayaka Mudiyanselage, Chunli Dai, Minhee Kim,
• Abstract要約: 本稿では、ディリクレプロセスの混合モジュールをニューラルネットワークに基づく予測モジュールと非教師なしの障害モード発見のために統合する新しいフレームワークを提案する。 提案手法は既存の手法と競合するか、はるかに優れている。 また、堅牢なオンライン適応機能を備えており、複雑な製造環境でのデジタルツインベースのシステムヘルス管理に適している。
• 参考スコア（独自算出の注目度）: 3.0292136896203488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern manufacturing systems often experience multiple and unpredictable failure behaviors, yet most existing prognostic models assume a fixed, known set of failure modes with labeled historical data. This assumption limits the use of digital twins for predictive maintenance, especially in high-mix or adaptive production environments, where new failure modes may emerge, and the failure mode labels may be unavailable. To address these challenges, we propose a novel Bayesian nonparametric framework that unifies a Dirichlet process mixture module for unsupervised failure mode discovery with a neural network-based prognostic module. The key innovation lies in an iterative feedback mechanism to jointly learn two modules. These modules iteratively update one another to dynamically infer, expand, or merge failure modes as new data arrive while providing high prognostic accuracy. Experiments on both simulation and aircraft engine datasets show that the proposed approach performs competitively with or significantly better than existing approaches. It also exhibits robust online adaptation capabilities, making it well-suited for digital-twin-based system health management in complex manufacturing environments.
• Abstract（参考訳）: 現代の製造システムは、しばしば複数の予測不可能な故障を経験するが、既存のほとんどの予測モデルは、ラベル付き履歴データで固定された既知の障害モードを仮定する。 この仮定は、特に新しい障害モードが出現し、障害モードラベルが利用できないハイミックスまたは適応生産環境では、予測的保守のためのデジタルツインの使用を制限する。 これらの課題に対処するために、ディリクレプロセスの混合モジュールをニューラルネットワークベースの予測モジュールに統一する新しいベイズ非パラメトリックフレームワークを提案する。 重要なイノベーションは、2つのモジュールを共同で学習する反復的なフィードバックメカニズムにある。 これらのモジュールは互いに反復的に更新し、新しいデータが到着すると障害モードを動的に推論、拡張、マージする。 シミュレーションと航空機エンジンのデータセットの両方の実験により、提案手法は既存の手法と競合するか、かなり良い性能を発揮することが示された。 また、堅牢なオンライン適応機能を備えており、複雑な製造環境でのデジタルツインベースのシステムヘルス管理に適している。

関連論文リスト

• Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks [0.0]
  本研究では,不特定物理によって制御される力学系における応答予測のための確率論的ディジタルツインフレームワークを提案する。 このアプローチは、ガウス過程潜在力モデル(GPLFM)とベイズニューラルネットワーク(BNN)を統合し、エンドツーエンドの不確実性認識と予測を可能にする。
  論文  参考訳（メタデータ） (2025-11-27T06:02:17Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• Sensor-fusion based Prognostics for Deep-space Habitats Exhibiting Multiple Unlabeled Failure Modes [1.5379084885764847]
  深宇宙の生息地は、地上のメンテナンスなしに長期にわたって自律的に運用しなければならない複雑なシステムである。 これらのシステムは、モード固有の方法で異なるサブシステムやセンサーに影響を与える複数の、しばしば未知の障害モードに対して脆弱である。 本稿では,潜在故障モードを共同で識別し,情報センサを選択する,教師なしの診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T01:52:59Z)
• Deep Learning-Based Residual Useful Lifetime Prediction for Assets with Uncertain Failure Modes [1.2277343096128712]
  複数の障害モードを持つシステムの既存の予後モデルは、現実のアプリケーションにおいていくつかの課題に直面している。 本研究は,混合(log-location-scale distribution)と深層学習を組み合わせた2つの予後モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-09T19:37:57Z)
• Degradation Modeling and Prognostic Analysis Under Unknown Failure Modes [17.72961616186932]
  操作ユニットは複雑なシステムで様々な障害モードを経験します。 現在の予測的アプローチは、劣化中の障害モードを無視したり、既知の障害モードラベルを仮定する。 センサ信号の高次元性と複雑な関係は、故障モードを正確に識別することが困難である。
  論文  参考訳（メタデータ） (2024-02-29T15:57:09Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。