論文の概要: Bi-directional digital twin prototype anchoring with multi-periodicity learning for few-shot fault diagnosis

• arxiv url: http://arxiv.org/abs/2603.07054v1
• Date: Sat, 07 Mar 2026 06:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.709941
• Title: Bi-directional digital twin prototype anchoring with multi-periodicity learning for few-shot fault diagnosis
• Title（参考訳）: 複数周期学習を併用した双方向ディジタルツインプロトタイプによる断層診断
• Authors: Pengcheng Xia, Zhichao Dong, Yixiang Huang, Chengjin Qin, Qun Chao, Chengliang Liu,
• Abstract要約: インテリジェント障害診断(IFD)は、産業機械の安全性と信頼性を確保するための強力なパラダイムとして登場した。 既存のDT支援診断法は主にドメイン適応技術を通して診断知識を伝達する。 DT仮想空間におけるメタトレーニングと物理空間におけるテスト時間適応を含むフレームワークを構築し、ターゲット資産に対する信頼性の高い少数ショットモデル適応を実現する。
• 参考スコア（独自算出の注目度）: 6.4178376704405835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent fault diagnosis (IFD) has emerged as a powerful paradigm for ensuring the safety and reliability of industrial machinery. However, traditional IFD methods rely heavily on abundant labeled data for training, which is often difficult to obtain in practical industrial environments. Constructing a digital twin (DT) of the physical asset to obtain simulation data has therefore become a promising alternative. Nevertheless, existing DT-assisted diagnosis methods mainly transfer diagnostic knowledge through domain adaptation techniques, which still require a considerable amount of unlabeled data from the target asset. To address the challenges in few-shot scenarios where only extremely limited samples are available, a bi-directional DT prototype anchoring method with multi-periodicity learning is proposed. Specifically, a framework involving meta-training in the DT virtual space and test-time adaptation in the physical space is constructed for reliable few-shot model adaptation for the target asset. A bi-directional twin-domain prototype anchoring strategy with covariance-guided augmentation for adaptation is further developed to improve the robustness of prototype estimation. In addition, a multi-periodicity feature learning module is designed to capture the intrinsic periodic characteristics within current signals. A DT of an asynchronous motor is built based on finite element method, and experiments are conducted under multiple few-shot settings and three working conditions. Comparative and ablation studies demonstrate the superiority and effectiveness of the proposed method for few-shot fault diagnosis.
• Abstract（参考訳）: インテリジェント障害診断(IFD)は、産業機械の安全性と信頼性を確保するための強力なパラダイムとして登場した。 しかし、従来のIFD法は訓練に大量のラベル付きデータに大きく依存しており、実際的な産業環境では入手が困難であることが多い。 物理資産のデジタルツイン(DT)を構築してシミュレーションデータを取得することは有望な代替手段となっている。 それにもかかわらず、既存のDT支援診断法は主にドメイン適応技術を通じて診断知識を伝達し、対象資産からかなりの量の未ラベルデータを必要とする。 極めて限られたサンプルしか利用できない数ショットシナリオでは,多周期学習を用いた双方向DTプロトタイプアンカー方式が提案されている。 具体的には、DT仮想空間におけるメタトレーニングと物理空間におけるテスト時間適応を含むフレームワークを構築し、ターゲット資産に対する信頼性の高い少数ショットモデル適応を実現する。 共分散誘導型適応型二方向二ドメイン型プロトタイプアンカー戦略をさらに発展させ,プロトタイプ推定のロバスト性を向上させる。 さらに、電流信号中の固有周期特性を捉えるために、多周期特徴学習モジュールを設計する。 有限要素法に基づいて非同期モータのDTを構築し、複数ショット設定と3つの動作条件下で実験を行う。 数発断層診断における提案手法の優位性と有効性について比較およびアブレーション研究を行った。

関連論文リスト

• DAM: Dual Active Learning with Multimodal Foundation Model for Source-Free Domain Adaptation [53.323488295994395]
  ソースフリーアクティブドメイン適応(SFADA)は、アクティブラーニングによって選択された限られた手動ラベルを用いて、ソースモデルから未ラベルのターゲットドメインへの知識伝達を強化する。 マルチモーダル・ファンデーション・モデルを用いたデュアルアクティブ・ラーニング(DAM)を提案する。 大規模な実験では、DAMは既存のメソッドを一貫して上回り、複数のSFADAベンチマークとアクティブな学習戦略で新しい最先端の手法を設定できる。
  論文  参考訳（メタデータ） (2025-09-29T15:06:56Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• Dual Test-time Training for Out-of-distribution Recommender System [91.15209066874694]
  DT3ORと呼ばれるOODレコメンデーションのための新しいDual Test-Time-Trainingフレームワークを提案する。 DT3ORでは、テスト期間中にモデル適応機構を導入し、リコメンデーションモデルを慎重に更新する。 我々の知る限りでは、テストタイムトレーニング戦略を通じてOODレコメンデーションに対処する最初の研究である。
  論文  参考訳（メタデータ） (2024-07-22T13:27:51Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Smart filter aided domain adversarial neural network for fault diagnosis in noisy industrial scenarios [11.094903196524404]
  本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。 提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。 2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
  論文  参考訳（メタデータ） (2023-07-04T01:47:00Z)
• An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System [26.733033919978364]
  本稿では,産業システムにおけるリアルタイムマルチモード故障診断のための新しい手法を提案する。 提案手法では,拡張エビデンス推論 (ER) アルゴリズムを用いて情報を融合し,異なる基底分類器から出力をマージする。 提案手法の有効性は、マルチモードのテネシー・イーストマンプロセスデータセット上で実証される。
  論文  参考訳（メタデータ） (2023-04-29T04:42:44Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)

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。