論文の概要: LoRM: Learning the Language of Rotating Machinery for Self-Supervised Condition Monitoring

• arxiv url: http://arxiv.org/abs/2604.05863v1
• Date: Tue, 07 Apr 2026 13:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.85195
• Title: LoRM: Learning the Language of Rotating Machinery for Self-Supervised Condition Monitoring
• Title（参考訳）: LoRM: 自己監視型コンディションモニタリングのための回転機械言語学習
• Authors: Xiao Qin, Xingyi Song, Tong Liu, Hatim Laalej, Zepeng Liu, Yunpeng Zhu, Ligang He,
• Abstract要約: 回転機械信号理解とリアルタイム状態監視のための自己教師型フレームワークであるLORMを提案する。 局所的な信号は離散的な記号単位にトークン化することができ、その将来の進化は観測されたマルチセンサーのコンテキストから予測できる。 In-situツール条件モニタリング実験は、安定したリアルタイムトラッキングと強力なクロスツール一般化を実証する。
• 参考スコア（独自算出の注目度）: 12.398417548022879
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present LoRM (Language of Rotating Machinery), a self-supervised framework for multi-modal rotating-machinery signal understanding and real-time condition monitoring. LoRM is built on the idea that rotating-machinery signals can be viewed as a machine language: local signals can be tokenised into discrete symbolic units, and their future evolution can be predicted from observed multi-sensor context. Unlike conventional signal-processing methods that rely on hand-crafted transforms and features, LoRM reformulates multi-modal sensor data as a token-based sequence-prediction problem. For each data window, the observed context segment is retained in continuous form, while the future target segment of each sensing channel is quantised into a discrete token. Then, efficient knowledge transfer is achieved by partially fine-tuning a general-purpose pre-trained language model on industrial signals, avoiding the need to train a large model from scratch. Finally, condition monitoring is performed by tracking token-prediction errors as a health indicator, where increasing errors indicate degradation. In-situ tool condition monitoring (TCM) experiments demonstrate stable real-time tracking and strong cross-tool generalisation, showing that LoRM provides a practical bridge between language modelling and industrial signal analysis. The source code is publicly available at https://github.com/Q159753258/LormPHM.
• Abstract（参考訳）: マルチモーダル回転機械信号理解とリアルタイム状態監視のための自己組織化フレームワークであるLORM(Language of Rotating Machinery)を提案する。 ローカル信号は離散的なシンボル単位にトークン化され、将来の進化は観測されたマルチセンサーのコンテキストから予測できる。 手作りの変換や特徴に依存する従来の信号処理法とは異なり、LoRMはトークンベースのシーケンス予測問題としてマルチモーダルセンサデータを再構成する。 各データウィンドウでは、観測されたコンテキストセグメントを連続形式で保持し、各センシングチャネルの将来のターゲットセグメントを離散トークンに量子化する。 そして,産業用信号に対して汎用事前学習言語モデルを部分的に微調整し,大規模モデルをゼロから訓練する必要がないようにすることで,効率的な知識伝達を実現する。 最後に、エラーの増加が劣化を示す健康指標としてトークン予測エラーを追跡することで、状態監視を行う。 In-situ tool condition monitoring (TCM) 実験は、言語モデリングと産業信号分析の実践的な橋渡しとして、安定したリアルタイムトラッキングと強力なクロスツール一般化を実証している。 ソースコードはhttps://github.com/Q159753258/LormPHMで公開されている。

関連論文リスト

• RAGTrack: Language-aware RGBT Tracking with Retrieval-Augmented Generation [71.2136732268131]
  RGB-Thermal(RGBT)トラッキングは、多様な環境条件をまたいだ堅牢なオブジェクトローカライゼーションを実現することを目的としている。 既存のRGBTトラッカーは、ターゲットモデリングのための初期フレームの視覚情報のみに依存している。 堅牢なRGBTトラッキングのための新しい検索拡張フレームワークであるRAGTrackを提案する。
  論文  参考訳（メタデータ） (2026-03-04T01:02:04Z)
• Security Risks in Machining Process Monitoring: Sequence-to-Sequence Learning for Reconstruction of CNC Axis Positions [2.6217304977339464]
  シーケンス・ツー・シーケンス・マシン・モデルは、非理想性を克服し、マシン・ツールの位置を再構築できることを示す。 本手法はLSTMに基づくシーケンス・ツー・シーケンスモデルを用いて,産業用ミリング軸モデルを用いて評価する。
  論文  参考訳（メタデータ） (2026-03-02T10:27:22Z)
• Kelix Technical Report [86.64551727600104]
  我々は、完全離散自己回帰統一モデルであるKelixを紹介し、離散的および連続的な視覚表現間の理解ギャップを埋める。 最近の研究は、完全自己回帰型マルチモーダルモデリングを可能にするために、離散的な視覚的トークン化を探求している。
  論文  参考訳（メタデータ） (2026-02-10T14:48:26Z)
• Future Optical Flow Prediction Improves Robot Control & Video Generation [100.87884718953099]
  本稿では,VLM(Vision-Language Model)と拡散アーキテクチャを組み合わせた新しい光フロー予測モデルFOFPredを紹介する。 我々のモデルは、高度にスケーラブルだが非構造化のソースである、Webスケールの人間活動データに基づいて訓練されている。 言語駆動設定下でのロボット操作とビデオ生成による評価は、FOFPredのクロスドメインの汎用性を確立する。
  論文  参考訳（メタデータ） (2026-01-15T18:49:48Z)
• MobiDiary: Autoregressive Action Captioning with Wearable Devices and Wireless Signals [20.30554810750095]
  スマートホームにおけるヒューマンアクティビティ認識(HAR)は、健康モニタリングと補助的生活に不可欠である。 本研究では,異種物理信号から直接日常活動の自然言語記述を生成するフレームワークMobiDiaryを提案する。
  論文  参考訳（メタデータ） (2026-01-13T04:16:17Z)
• Overcoming Non-monotonicity in Transducer-based Streaming Generation [26.24357071901915]
  本研究は,Transducerの復号と学習可能な単調な注意による入力ストリーム履歴を統合する。 提案手法は,フォワード・バックワードアルゴリズムを用いて,予測状態と入力タイムスタンプとのアライメントの後方確率を推定する。 実験によると、MonoAttn-Transducerはストリーミングシナリオにおける非モノトニックアライメントを効果的に処理している。
  論文  参考訳（メタデータ） (2024-11-26T07:19:26Z)
• Real-time Adaptation for Condition Monitoring Signal Prediction using Label-aware Neural Processes [3.10770247120758]
  リアルタイム状態監視(CM)信号に迅速に適応する予測モデルの構築は、エンジニアリングシステムやユニットにとって重要である。 現在の手法は、オンライン設定における表現力とアジリティのトレードオフに悩まされている。 このトレードオフに対処するニューラルプロセスベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-25T02:47:29Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)

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。