論文の概要: Leveraging systems' non-linearity to tackle the scarcity of data in the design of Intelligent Fault Diagnosis Systems

• arxiv url: http://arxiv.org/abs/2606.20323v1
• Date: Thu, 18 Jun 2026 15:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.930097
• Title: Leveraging systems' non-linearity to tackle the scarcity of data in the design of Intelligent Fault Diagnosis Systems
• Title（参考訳）: インテリジェント故障診断システムの設計におけるデータの不足に対処するシステムの非線形性
• Authors: Giancarlo Santamato, Andrea Mattia Garavagno, Massimiliano Solazzi, Antonio Frisoli,
• Abstract要約: DTL(Deep Transfer Learning)は、インテリジェント障害診断システム(IFDS)の効率的な構築を可能にする 一方、DTL法は依然として大量のラベル付きデータに大きく依存している。 本稿では, 強いデータ不足を考慮したDTLを用いた振動型IFDSの設計手法を提案する。
• 参考スコア（独自算出の注目度）: 2.5619051280004723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Transfer Learning (DTL) allows for the efficient building of Intelligent Fault Diagnosis Systems (IFDS). On the other hand, DTL methods still heavily rely on large amounts of labelled data. Obtaining such an amount of data can be challenging when dealing with machines or structures faults. This document proposes a novel approach to the design of vibration-based IFDS using DTL in condition of strong data scarcity. A periodic multi-excitation level procedure leveraging intrinsic non-linearities of real-world systems is used to produce images that can be conveniently analysed by pre-trained Convolutional Neural Networks (CNNs) to diagnose faults. A new data visualization method and its augmentation technique are proposed in this paper to tackle the typical lack of data encountered during the design of IFDS. Experimental validation on a railway pantograph structure provides effective support for the proposed method.
• Abstract（参考訳）: Deep Transfer Learning (DTL)は、インテリジェント障害診断システム(IFDS)の効率的な構築を可能にする。 一方、DTL法は依然として大量のラベル付きデータに大きく依存している。 マシンや構造欠陥を扱う場合、そのような量のデータを取得することは困難である。 本論文は, 強いデータ不足を考慮したDTLを用いた振動型IFDSの設計手法を提案する。 実世界のシステム固有の非線形性を利用した周期的多重励起レベルプロシージャを用いて、事前学習された畳み込みニューラルネットワーク(CNN)で解析し、故障を診断できる画像を生成する。 本稿では,IFDSの設計時に発生するデータ不足に対処するため,新しいデータ可視化手法とその拡張手法を提案する。 鉄道パンタグラフ構造に関する実験的検証は,提案手法を効果的に支援する。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Deep Learning Approach to Anomaly Detection in Enterprise ETL Processes with Autoencoders [10.829077063619247]
  この研究はまず、遅延、欠落した値、重複ロード、突然の異常な変化など、プロセス内の複数のタイプの異常を分析します。 手法設計では,エンコーダ・デコーダ構造は高次元の入力を潜在表現に圧縮して再構成し,再構成誤差を用いて異常レベルを測定する。 その結果、ディープオートエンコーダに基づく検出機構は、企業レベルのデータストリームにおける遅延分布パターンを効果的にキャプチャできることを示した。
  論文  参考訳（メタデータ） (2025-11-01T09:06:26Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Robust Unsupervised Fault Diagnosis For High-Dimensional Nonlinear Noisy Data [10.777966309489683]
  本稿では,機械学習を用いたロバストな教師なし故障診断手法を提案する。 抽出された特徴は、グラフ構造の学習を通じて非線形情報を組み込むことにより強化される。 ベンチマークテネシー・イーストマン法と実熱間圧延法の両方の実験により, 提案法は他の方法と比較して高い堅牢性を示した。
  論文  参考訳（メタデータ） (2025-03-11T21:55:46Z)
• 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)
• SRTFD: Scalable Real-Time Fault Diagnosis through Online Continual Learning [8.016378373626084]
  現代の産業環境は、新しい断層タイプ、動的条件、大規模データを扱うことができ、最小限の事前情報でリアルタイムの応答を提供するFD手法を必要としている。 本稿では,3つの重要な手法を用いて,オンライン連続学習(OCL)を強化するスケーラブルなリアルタイム故障診断フレームワークSRTFDを提案する。 実世界のデータセットと2つの公開シミュレーションデータセットの実験は、SRTFDの有効性と、現代の産業システムにおいて高度でスケーラブルで正確な故障診断を提供する可能性を示している。
  論文  参考訳（メタデータ） (2024-08-11T03:26:22Z)
• 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)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。