論文の概要: MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices

• arxiv url: http://arxiv.org/abs/2603.23076v1
• Date: Tue, 24 Mar 2026 11:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.450344
• Title: MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices
• Title（参考訳）: MsFormer: 産業機器のロバスト予測保守サービスの実現
• Authors: Jiahui Zhou, Dan Li, Ruibing Jin, Jian Lou, Yanran Zhao, Zhenghua Chen, Zigui Jiang, See-Kiong Ng,
• Abstract要約: 信頼性の高い産業用予測保守のための統合型AIサービスモデルとして設計された軽量なマルチスケールトランスを提案する。 MsFormerには、マルチスケールサンプリング(MS)モジュールと、シーケンシャルな相関をキャプチャするための調整された位置符号化機構が組み込まれている。 実世界のデータセットの実験では、提案したフレームワークが最先端の手法よりも大幅なパフォーマンス向上を実現している。
• 参考スコア（独自算出の注目度）: 53.94035827454474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Providing reliable predictive maintenance is a critical industrial AI service essential for ensuring the high availability of manufacturing devices. Existing deep-learning methods present competitive results on such tasks but lack a general service-oriented framework to capture complex dependencies in industrial IoT sensor data. While Transformer-based models show strong sequence modeling capabilities, their direct deployment as robust AI services faces significant bottlenecks. Specifically, streaming sensor data collected in real-world service environments often exhibits multi-scale temporal correlations driven by machine working principles. Besides, the datasets available for training time-to-failure predictive services are typically limited in size. These issues pose significant challenges for directly applying existing models as robust predictive services. To address these challenges, we propose MsFormer, a lightweight Multi-scale Transformer designed as a unified AI service model for reliable industrial predictive maintenance. MsFormer incorporates a Multi-scale Sampling (MS) module and a tailored position encoding mechanism to capture sequential correlations across multi-streaming service data. Additionally, to accommodate data-scarce service environments, MsFormer adopts a lightweight attention mechanism with straightforward pooling operations instead of self-attention. Extensive experiments on real-world datasets demonstrate that the proposed framework achieves significant performance improvements over state-of-the-art methods. Furthermore, MsFormer outperforms across industrial devices and operating conditions, demonstrating strong generalizability while maintaining a highly reliable Quality of Service (QoS).
• Abstract（参考訳）: 信頼性の高い予測メンテナンスを提供することは、製造装置の高可用性を保証するために不可欠な産業用AIサービスである。 既存のディープラーニング手法は、そのようなタスクに対して競合的な結果をもたらすが、産業用IoTセンサデータの複雑な依存関係をキャプチャする一般的なサービス指向のフレームワークは欠如している。 Transformerベースのモデルは、強力なシーケンスモデリング機能を示しているが、堅牢なAIサービスとしての直接的なデプロイメントは、重大なボトルネックに直面している。 具体的には、実環境のサービス環境で収集されたストリーミングセンサデータは、機械作業の原則によって駆動されるマルチスケールの時間的相関を示すことが多い。 さらに、タイム・トゥ・フェイルな予測サービスのトレーニングに利用可能なデータセットは、通常、サイズが制限される。 これらの問題は、既存のモデルを堅牢な予測サービスとして直接適用する上で、重大な課題を引き起こします。 これらの課題に対処するために、信頼性の高い産業用予測保守のための統合AIサービスモデルとして設計された軽量なマルチスケールトランスフォーマーであるMsFormerを提案する。 MsFormerには、マルチスケールサンプリング(MS)モジュールと、マルチストリーミングサービスデータ間のシーケンシャルな相関をキャプチャする調整された位置符号化機構が組み込まれている。 さらに、データスカースなサービス環境に対応するため、MsFormerは、セルフアテンションではなく、簡単なプール操作を備えた軽量なアテンションメカニズムを採用している。 実世界のデータセットに対する大規模な実験により、提案フレームワークは最先端の手法よりも大幅なパフォーマンス向上を実現していることが示された。 さらに、MsFormerは産業機器や運用条件で優れており、信頼性の高いQuality of Service (QoS)を維持しながら、強力な一般化性を示している。

関連論文リスト

• Operationalization of Machine Learning with Serverless Architecture: An Industrial Operationalization of Machine Learning with Serverless Architecture: An Industrial Implementation for Harmonized System Code Prediction [0.0]
  本稿では、データ取り込み、トレーニング、デプロイメント、監視、再トレーニングからイベント駆動パイプラインとマネージドサービスまで、完全なMLライフサイクルをオーケストレーションするサーバレスMLOpsフレームワークを提案する。 本研究では,グローバル取引において税関当局が使用する標準化コードに,短い非構造化製品記述をマッピングするコンプライアンスクリティカルなタスクである,調和システム(HS)コード予測の産業的実装を通じて,実践的適用性を実証する。 私たちのソリューションは、複数のディープラーニングアーキテクチャを埋め込んだカスタムテキストを使用します。
  論文  参考訳（メタデータ） (2026-02-19T05:59:55Z)
• Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance [5.571627005866756]
  産業用IoT予測メンテナンスには、解釈可能性や過剰な計算リソースを犠牲にすることなく、リアルタイムな異常検出が可能なシステムが必要である。 従来のアプローチは、進化する運用条件に適応できない、静的でオフラインでトレーニングされたモデルに依存しています。 我々は、エッジ、フォッグ、クラウドの計算層に特殊なエージェントを分散する自己進化型階層型マルチエージェントシステムSEMASを紹介する。
  論文  参考訳（メタデータ） (2026-02-17T22:45:43Z)
• AI-NativeBench: An Open-Source White-Box Agentic Benchmark Suite for AI-Native Systems [52.65695508605237]
  我々は、Model Context Protocol(MCP)とAgent-to-Agent(A2A)標準に基づいて、アプリケーション中心でホワイトボックスのAI-NativeベンチマークスイートであるAI-NativeBenchを紹介する。 エージェントスパンを分散トレース内の第一級市民として扱うことにより,本手法は,単純な機能以上の工学的特性の粒度解析を可能にする。 この研究は、モデル能力の測定から信頼性の高いAI-Nativeシステムへの移行を導く最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-01-14T11:32:07Z)
• Scalable Cloud-Native Architectures for Intelligent PMU Data Processing [0.13543803103181612]
  Phasor Measurement Units (PMU) は、リアルタイム電力グリッド監視に不可欠な高周波、時間同期データを生成する。 本稿では、人工知能とエッジとクラウドコンピューティングを統合したインテリジェントPMUデータ処理のためのクラウドネイティブアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-23T06:45:38Z)
• OmniFuser: Adaptive Multimodal Fusion for Service-Oriented Predictive Maintenance [22.859675451834747]
  我々は,ミリングツールの予測保守のための学習フレームワークであるOmniFuserを紹介する。 高解像度のツールイメージとカットフォース信号から並列特徴抽出を行う。 実世界のミリングデータセットの実験では、OmniFuserは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-03T08:08:52Z)
• QoSGMAA: A Robust Multi-Order Graph Attention and Adversarial Framework for Sparse QoS Prediction [12.037416164995605]
  本稿では,複雑でノイズの多いネットワークサービス環境における予測精度の向上を目的とした新しいアーキテクチャMGAAを提案する。 ユーザとサービス間の複雑な高次相互作用を捉えるために、離散サンプリング手法を用いる。 提案モデルでは,既存のベースライン手法を著しく上回り,サービス選択やレコメンデーションシナリオへの実践的展開の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-27T04:03:28Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [92.40586697273868]
  モノのインターネットのタイムリーな更新は、車載メタバースサービスの没入を実現するために不可欠である。 本稿では,フェデレーション学習による効率的なプライバシ保護データ提供を可能にする没入型モデルトレーディングフレームワークを提案する。 実験の結果,提案手法は最先端のベンチマークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)

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。