論文の概要: S2S-FDD: Bridging Industrial Time Series and Natural Language for Explainable Zero-shot Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2603.08048v1
• Date: Mon, 09 Mar 2026 07:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.627265
• Title: S2S-FDD: Bridging Industrial Time Series and Natural Language for Explainable Zero-shot Fault Diagnosis
• Title（参考訳）: S2S-FDD:説明可能なゼロショット故障診断のための産業時系列と自然言語
• Authors: Baoxue Li, Chunhui Zhao,
• Abstract要約: 本稿では,S2S-FDD(Signals-to-Semantics fault diagnosis)フレームワークを提案する。 まず,抽象時系列信号を自然言語要約に変換する信号対意味演算子を設計する。 本報告では, マルチターン木構造診断法を設計し, 故障診断を行う。
• 参考スコア（独自算出の注目度）: 8.996223153688314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault diagnosis is critical for the safe operation of industrial systems. Conventional diagnosis models typically produce abstract outputs such as anomaly scores or fault categories, failing to answer critical operational questions like "Why" or "How to repair". While large language models (LLMs) offer strong generalization and reasoning abilities, their training on discrete textual corpora creates a semantic gap when processing high-dimensional, temporal industrial signals. To address this challenge, we propose a Signals-to-Semantics fault diagnosis (S2S-FDD) framework that bridges high-dimensional sensor signals with natural language semantics through two key innovations: We first design a Signal-to-Semantic operator to convert abstract time-series signals into natural language summaries, capturing trends, periodicity, and deviations. Based on the descriptions, we design a multi-turn tree-structured diagnosis method to perform fault diagnosis by referencing historical maintenance documents and dynamically querying additional signals. The framework further supports human-in-the-loop feedback for continuous refinement. Experiments on the multiphase flow process show the feasibility and effectiveness of the proposed method for explainable zero-shot fault diagnosis.
• Abstract（参考訳）: 故障診断は産業システムの安全な運用に不可欠である。 従来の診断モデルは、通常、異常スコアや障害カテゴリのような抽象的なアウトプットを生成し、「なぜ」や「どのように修復するか」といった重要な操作上の疑問に答えることができない。 大規模言語モデル(LLM)は強力な一般化と推論能力を提供するが、離散テキストコーパスでの訓練は高次元の時間的産業信号を処理する際に意味的なギャップを生じさせる。 この課題に対処するため,我々は,高次元センサ信号を自然言語意味論にブリッジするS2S-FDD(Signals-to-Semantics fault diagnosis)フレームワークを提案する。 本報告では, 過去の保守文書を参照し, 動的に追加信号を求めることにより, 故障診断を行うマルチターン木構造診断法を設計する。 このフレームワークは、継続的改善のためのHuman-in-the-loopフィードバックをさらにサポートする。 多相流路実験により, ゼロショット故障診断のための提案手法の有効性と有効性を示した。

関連論文リスト

• Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge [66.67024684187915]
  LVLM(Large Vision Language Models)は、眼科における自動診断の可能性を秘めている。 彼らの臨床展開は、ドメイン固有の知識の欠如によって著しく妨げられている。 EyExInは、Deep Expert Injectionメカニズムを通じて専門知識で網膜VLMを固定するように設計されたフレームワークである。
  論文  参考訳（メタデータ） (2026-03-07T09:43:49Z)
• Unlocking Cognitive Capabilities and Analyzing the Perception-Logic Trade-off [29.48293757752123]
  パーセプションとReasoning機能を統合したプログレッシブトレーニングパイプラインを提案する。 長文音声におけるテンポラルドリフトを同定し、拡張推論により音響タイムスタンプからモデルを非同期化する。 本報告では、アーキテクチャ、データ効率のトレーニングレシピ、頑健な認識と構造化推論のトレードオフの診断分析について詳述する。
  論文  参考訳（メタデータ） (2026-02-27T06:56:50Z)
• Resp-Agent: An Agent-Based System for Multimodal Respiratory Sound Generation and Disease Diagnosis [14.922065513695294]
  Resp-Agent(Resp-Agent)は、アクティブアドリキュラムエージェント(Thinker-A$2$CA)によって編成された自律型マルチモーダルシステムである。 表現ギャップに対処するため,EHRデータをストラテジックグローバルアテンションを介して音声トークンで織り込むModality-Weaving Diagnoserを導入する。 データギャップに対処するために,テキストのみのLarge Language Model (LLM) をモダリティインジェクションにより適応させるフローマッチングジェネレータを設計する。
  論文  参考訳（メタデータ） (2026-02-16T14:48:24Z)
• Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
  Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。 実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-10T14:54:17Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• A Chain of Diagnosis Framework for Accurate and Explainable Radiology Report Generation [4.61181046331792]
  臨床的に正確かつ説明可能なRRGの診断過程の連鎖を維持できる,診断の連鎖(CoD)というフレームワークを提案する。 説明可能性を高めるために、診断基盤モジュールは、診断が参照として機能するQA診断と生成された文とを一致させるように設計されている。 本研究は,1)QAペアと病変箱を用いた完全ラベルRRGデータセット,2)病変位置と重症度を記述した報告の精度を評価するための評価ツール,3)CoDの有効性を実証するための広範な実験に導いた。
  論文  参考訳（メタデータ） (2025-08-13T07:32:28Z)
• FD-LLM: Large Language Model for Fault Diagnosis of Machines [20.679299204776527]
  本研究では,時系列センサデータから故障を識別するための数値データ入力に,大規模言語モデルを効果的に適用した新しいIFD手法を提案する。 マルチクラス分類問題としてLLMのトレーニングを定式化することにより,故障診断に特化して設計されたLLMフレームワークであるFD-LLMを提案する。 FD-LLM フレームワークに基づく4つのオープンソース LLM の故障診断能力を評価し,各種動作条件下でのモデルの適応性と一般化性を評価する。
  論文  参考訳（メタデータ） (2024-12-02T07:36:35Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• 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)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)

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。