論文の概要: Progressive Knowledge-Guided Large Language Model Framework for Bearing Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2606.16684v1
- Date: Mon, 15 Jun 2026 13:18:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.572186
- Title: Progressive Knowledge-Guided Large Language Model Framework for Bearing Fault Diagnosis
- Title（参考訳）: 故障診断のためのプログレッシブ・ナレッジガイド付き大規模言語モデルフレームワーク
- Authors: Jinghan Wang, Gaoliang Peng, Yanjun Chen, Wei Zhang, Wentao Wu, Tianchen Liu,
- Abstract要約: 振動に基づく軸受断層診断には、3つの相互関連測定課題の解決が必要である。
本稿では物理誘導型マルチスケール振動信号処理フレームワークを提案する。
このフレームワークは、信号レベルベースラインに対する計算コストを12.6倍に削減し、98.49%の診断精度を達成した。
- 参考スコア（独自算出の注目度）: 7.28808693425028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vibration-based bearing fault diagnosis requires resolving three interrelated measurement challenges, including the trade-off between global statistical feature efficiency and local transient signal fidelity, insufficient traceability of measurement features to underlying fault physics, and ineffective multi-source measurement information fusion across diagnostic scales. This paper presents a progressive physics-guided multi-scale vibration signal processing framework that addresses all three challenges within a unified diagnostic pipeline. An 81-dimensional measurement descriptor, derived from bearing kinematic theory and characteristic defect frequencies, establishes a physically traceable feature space enabling real-time fault screening at approximately 20 ms per sample. A fault-adaptive signal segmentation mechanism then directs analytical attention toward fault-relevant waveform regions guided by physics-based priors, without manual feature engineering. Structured fault mechanism knowledge is further encoded implicitly in model parameters during training, enabling autonomous multi-scale measurement fusion without external knowledge dependencies at inference. Validated on four public benchmark datasets under diverse operating conditions, the framework achieves 98.49% diagnostic accuracy with a 12.6-fold reduction in computational cost relative to signal-level baselines. Interpretability analysis confirms that diagnostic feature activations align with established bearing fault mechanics, supporting measurement traceability in safety-critical industrial systems.
- Abstract（参考訳）: 振動に基づくベアリング断層診断では,グローバルな統計特徴効率と局所的な過渡的信号忠実度とのトレードオフ,基礎となる断層物理への計測特徴のトレーサビリティの欠如,診断スケール間の非効率なマルチソース計測情報融合など,3つの相互関連測定課題の解決が必要である。
本稿では,統合診断パイプラインにおける3つの課題すべてに対処する,進歩的物理誘導型マルチスケール振動信号処理フレームワークを提案する。
81次元計測記述子は、運動理論と特性欠陥周波数から導かれるものであり、物理的にトレース可能な特徴空間を確立し、1サンプルあたり約20ミリ秒のリアルタイム断層スクリーニングを可能にする。
故障適応信号セグメンテーション機構は、手動の特徴工学を使わずに、物理に基づく先行技術によって導かれる故障関連波形領域に解析的注意を向ける。
構造的故障機構の知識は、トレーニング中にモデルパラメータに暗黙的に符号化され、外部知識に依存しない自律的なマルチスケール計測融合が可能となる。
様々な運用条件下での4つの公開ベンチマークデータセットで検証され、信号レベルのベースラインに対して計算コストを12.6倍に削減して98.49%の診断精度を達成した。
解釈可能性分析により, 診断機能の活性化が確立された断層力学と一致し, 安全クリティカルな産業システムにおけるトレーサビリティの測定を支援することが確認された。
関連論文リスト
- Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。
我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
論文 参考訳（メタデータ） (2025-12-02T17:49:08Z) - Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。
本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。
本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-07T17:56:31Z) - A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset [1.768285973994044]
誘導電動機(IM)の正確なAIベースの診断システムは、プロアクティブなメンテナンスを強化し、計画外のダウンタイムを軽減し、産業環境における全体的なメンテナンスコストを抑制する可能性を秘めている。
研究者らは、信号処理(SP)、機械学習(ML)、ディープラーニング(DL)、BRB故障のハイブリッドアーキテクチャを用いた様々な故障診断手法を提案している。
本稿では,1,2,3,4のBRB断層を電流信号と振動信号データを用いて診断するために,ShuffleNetV2というトランスファーラーニングに基づく軽量DLモデルを用いて,BRB断層の大規模データを実装する。
論文 参考訳（メタデータ） (2025-01-07T12:40:11Z) - 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) - Non-destructive Fault Diagnosis of Electronic Interconnects by Learning Signal Patterns of Reflection Coefficient in the Frequency Domain [1.8843687952462742]
本稿では,早期故障検出と相互接続欠陥の正確な診断のための新しい非破壊的手法を提案する。
提案手法は, 周波数範囲にわたる係数反射の信号パターンを利用して, 根本原因同定と重大度評価の両立を可能にする。
実験結果から,本手法は断層検出および診断に有効であり,実世界の産業応用に拡張できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-04-20T10:51:21Z) - Data-driven design of fault diagnosis for three-phase PWM rectifier
using random forests technique with transient synthetic features [2.382536770336505]
3相パルス幅変調(PWM)は通常、絶縁ゲートバイポーラトランジスタ(IGBT)の開回路欠陥の発生時に動作を維持することができる。
データ駆動型オンライン故障診断手法を提案する。
論文 参考訳（メタデータ） (2022-11-02T05:48:30Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - A Multi-size Kernel based Adaptive Convolutional Neural Network for
Bearing Fault Diagnosis [5.811146610419976]
マルチサイズカーネルを用いた適応畳み込みニューラルネットワーク(MSKACNN)と呼ばれる軸受振動特性に基づくデータ駆動型診断アルゴリズムを提案する。
MSKACNNは振動特徴学習と信号分類機能を提供し、ベアリング障害を特定し解析する。
論文 参考訳（メタデータ） (2022-03-29T06:43:30Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-17T13:42:37Z)
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。