論文の概要: Adaptive Unknown Fault Detection and Few-Shot Continual Learning for Condition Monitoring in Ultrasonic Metal Welding

• arxiv url: http://arxiv.org/abs/2604.13465v1
• Date: Wed, 15 Apr 2026 04:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.380498
• Title: Adaptive Unknown Fault Detection and Few-Shot Continual Learning for Condition Monitoring in Ultrasonic Metal Welding
• Title（参考訳）: 超音波金属溶接における条件モニタリングのための適応的未知故障検出とFew-Shot連続学習
• Authors: Ahmadreza Eslaminia, Kuan-Chieh Lu, Klara Nahrstedt, Chenhui Shao,
• Abstract要約: 超音波金属溶接(UMW)は工業用途で広く用いられているが、工具摩耗、表面汚染、材料変動に敏感である。 本稿では,UMWにおける未知の故障検出と数発連続学習を可能にする適応条件監視手法を提案する。
• 参考スコア（独自算出の注目度）: 2.578856520461645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasonic metal welding (UMW) is widely used in industrial applications but is sensitive to tool wear, surface contamination, and material variability, which can lead to unexpected process faults and unsatisfactory weld quality. Conventional monitoring systems typically rely on supervised learning models that assume all fault types are known in advance, limiting their ability to handle previously unseen process faults. To address this challenge, this paper proposes an adaptive condition monitoring approach that enables unknown fault detection and few-shot continual learning for UMW. Unknown faults are detected by analyzing hidden-layer representations of a multilayer perceptron and leveraging a statistical thresholding strategy. Once detected, the samples from unknown fault types are incorporated into the existing model through a continual learning procedure that selectively updates only the final layers of the network, which enables the model to recognize new fault types while preserving knowledge of existing classes. To accelerate the labeling process, cosine similarity transformation combined with a clustering algorithm groups similar unknown samples, thereby reducing manual labeling effort. Experimental results using a multi-sensor UMW dataset demonstrate that the proposed method achieves 96% accuracy in detecting unseen fault conditions while maintaining reliable classification of known classes. After incorporating a new fault type using only five labeled samples, the updated model achieves 98% testing classification accuracy. These results demonstrate that the proposed approach enables adaptive monitoring with minimal retraining cost and time. The proposed approach provides a scalable solution for continual learning in condition monitoring where new process conditions may constantly emerge over time and is extensible to other manufacturing processes.
• Abstract（参考訳）: 超音波金属溶接(UMW)は工業用途で広く用いられているが、工具摩耗、表面汚染、材料変動に敏感であり、予期せぬプロセス欠陥や不満足な溶接品質につながる可能性がある。 従来の監視システムは、すべての障害タイプが事前に知られていると仮定する教師付き学習モデルに依存しており、以前は目に見えないプロセス障害に対処する能力を制限する。 そこで本研究では,未知の故障検出とUMWの連発学習を可能にする適応条件監視手法を提案する。 多層パーセプトロンの隠蔽層表現を分析し、統計的しきい値戦略を活用することにより未知の断層を検出する。 検知されると、未知の障害タイプからのサンプルは、ネットワークの最終層のみを選択的に更新する継続的学習手順によって既存のモデルに組み込まれ、既存のクラスの知識を維持しながら、新しい障害タイプを認識できるようになる。 ラベル付け処理を高速化するために、コサイン類似性変換とクラスタリングアルゴリズムを併用して、類似した未知のサンプルをグループ化し、手動ラベリングの労力を削減した。 マルチセンサUMWデータセットを用いた実験結果から,提案手法は既知のクラスの信頼性を保ちながら,未知の故障状況を検出する精度を96%向上することを示した。 5つのラベル付きサンプルを使用して新しい障害タイプを組み込んだ後、更新されたモデルでは、98%の分類精度が達成される。 これらの結果から,提案手法は最小限の再トレーニングコストと時間で適応的なモニタリングを可能にすることが示された。 提案手法は、新しいプロセス条件が常に時間とともに出現し、他の製造プロセスに拡張可能な条件監視において、継続的な学習のためのスケーラブルなソリューションを提供する。

関連論文リスト

• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
  既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。 大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。 LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:24:06Z)
• Graph Neural Network-Based Semi-Supervised Open-Set Fault Diagnosis for Marine Machinery Systems [0.42970700836450487]
  本稿では,半教師付きオープンセット故障診断(SOFD)フレームワークを提案する。 本フレームワークは、教師付き特徴学習モデルにより抽出された多層融合特徴表現を用いて、ラベルなしテストサブセットを選択する信頼性サブセット構築プロセスを含む。 ラベル付きトレーニングセットと擬似ラベル付きテストサブセットは、半教師付き診断モデルに入力され、各クラスの識別的特徴を学習し、既知の障害の正確な分類と未知のサンプルの効果的な検出を可能にする。
  論文  参考訳（メタデータ） (2025-11-03T06:06:25Z)
• Unsupervised Novelty Detection Methods Benchmarking with Wavelet Decomposition [0.22369578015657962]
  新規性検出のための教師なし機械学習アルゴリズムを比較する。 新しいデータセットは、特定の周波数で振動するアクチュエータから収集され、アルゴリズムをベンチマークし、フレームワークを評価する。 本研究は,実世界の新規性検出アプリケーションにおける教師なし学習技術の適応性と堅牢性に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2024-09-11T09:31:28Z)
• Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework [2.7898966850590625]
  本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。 我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。 故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
  論文  参考訳（メタデータ） (2024-04-08T22:20:23Z)
• Image-based Novel Fault Detection with Deep Learning Classifiers using Hierarchical Labels [8.365583064409371]
  本研究では、ディープニューラルネットワークに基づく故障分類器の未知の故障検出機能について考察する。 本稿では, 故障検出性能の未知化のために, 故障分類に関するラベルをいかに利用することができるかを示す方法論を提案する。
  論文  参考訳（メタデータ） (2024-03-26T17:22:29Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。