論文の概要: Polarized Direct Cross-Attention Message Passing in GNNs for Machinery Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2603.06303v1
- Date: Fri, 06 Mar 2026 14:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:45.881685
- Title: Polarized Direct Cross-Attention Message Passing in GNNs for Machinery Fault Diagnosis
- Title（参考訳）: 機械故障診断のためのGNNにおける分極直交メッセージパッシング
- Authors: Zongyu Shi, Laibin Zhang, Maoyin Chen,
- Abstract要約: 安全クリティカルな産業システムの信頼性は、回転機械の正確で堅牢な故障診断に依存している。
機械故障診断のための従来のグラフニューラルネットワーク(GNN)は、複雑な動的相互作用をモデル化する際、制限に直面している。
本稿では,データ駆動グラフ構築による適応的メッセージパッシングを可能にする新しい関係学習フレームワークであるPolaDCAを紹介する。
- 参考スコア（独自算出の注目度）: 4.542148087324063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The reliability of safety-critical industrial systems hinges on accurate and robust fault diagnosis in rotating machinery. Conventional graph neural networks (GNNs) for machinery fault diagnosis face limitations in modeling complex dynamic interactions due to their reliance on predefined static graph structures and homogeneous aggregation schemes. To overcome these challenges, this paper introduces polarized direct cross-attention (PolaDCA), a novel relational learning framework that enables adaptive message passing through data-driven graph construction. Our approach builds upon a direct cross-attention (DCA) mechanism that dynamically infers attention weights from three semantically distinct node features (such as individual characteristics, neighborhood consensus, and neighborhood diversity) without requiring fixed adjacency matrices. Theoretical analysis establishes PolaDCA's superior noise robustness over conventional GNNs. Extensive experiments on industrial datasets (i.e., XJTUSuprgear, CWRUBearing and Three-Phase Flow Facility datasets) demonstrate state-of-the-art diagnostic accuracy and enhanced generalization under varying noise conditions, outperforming seven competitive baseline methods. The proposed framework provides an effective solution for safety-critical industrial applications.
- Abstract（参考訳）: 安全クリティカルな産業システムの信頼性は、回転機械の正確で堅牢な故障診断に依存している。
機械故障診断のための従来のグラフニューラルネットワーク(GNN)は、事前に定義された静的グラフ構造や均質なアグリゲーションスキームに依存するため、複雑な動的相互作用をモデル化する際、制限に直面している。
これらの課題を克服するために,データ駆動グラフ構築による適応的メッセージパッシングを可能にする新しい関係学習フレームワークであるPolaDCAを導入する。
本手法は,3つの意味的に異なるノード特徴(例えば,個々の特徴,近傍のコンセンサス,近隣の多様性)から注意重みを動的に推論する直交注意(DCA)機構に基づく。
理論解析は、従来のGNNよりもPolaDCAの優れたノイズロバスト性を確立する。
産業用データセット(XJTUSuprgear, CWRUBearing, Three-Phase Flow Facility データセット)の大規模な実験は、最先端の診断精度を実証し、様々な雑音条件下での一般化を強化し、7つの競争基準法を上回った。
提案するフレームワークは,安全クリティカルな産業用アプリケーションに有効なソリューションを提供する。
関連論文リスト
- BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。
局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。
例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文 参考訳（メタデータ） (2026-01-12T08:37:47Z) - Hypergraph Contrastive Sensor Fusion for Multimodal Fault Diagnosis in Induction Motors [9.439278188304502]
本稿では,堅牢な断層診断のための統合フレームワークMM-HCANを提案する。
MM-HCANは、マルチモーダルセンサー融合用に特別に設計されたハイパーグラフトポロジーにコントラスト学習を統合する最初の方法である。
クロスドメインの強力な一般化とノイズに対するレジリエンスにより、99.82%の精度を達成し、現実世界のデプロイメントに適していることを実証している。
論文 参考訳（メタデータ） (2025-10-17T11:28:26Z) - Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis [48.69961294481149]
ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。
ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。
3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2025-10-16T01:13:06Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。
CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。
因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
論文 参考訳（メタデータ） (2025-08-13T05:26:43Z) - 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) - Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics [40.044978986425676]
3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。
本稿では,エンジン物理モデルを考慮した教師なし異常発生手法を提案する。
SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
論文 参考訳（メタデータ） (2025-06-10T03:36:16Z) - A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。
本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
論文 参考訳（メタデータ） (2025-03-19T14:01:16Z) - Utilizing Causal Network Markers to Identify Tipping Points ahead of Critical Transition [6.7741619010943]
本稿では因果性指標を取り入れた因果性ネットワークマーカー(CNM)の枠組みを提案する。
臨界遷移に先立って先端点を検出し同定するために、2つのマーカーを設計する。
応用の最も可能性の高い方向は、臨床疾患の尖点の同定である。
論文 参考訳（メタデータ） (2024-12-19T05:10:47Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - 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)
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。