論文の概要: Digital Twin-Driven Adaptive Sim-to-Real Alignment via Reinforcement Learning for Vibration-Based Bearing Health Monitoring Under Data Scarcity

• arxiv url: http://arxiv.org/abs/2606.24954v1
• Date: Tue, 23 Jun 2026 08:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.068479
• Title: Digital Twin-Driven Adaptive Sim-to-Real Alignment via Reinforcement Learning for Vibration-Based Bearing Health Monitoring Under Data Scarcity
• Title（参考訳）: データスカシティ下での振動型軸受型健康モニタリングのための強化学習によるディジタルツイン駆動型適応型仮想アライメント
• Authors: Jinghan Wang, Yanjun Chen, Wei Zhang, Wentao Wu, Tianchen Liu, Gaoliang Peng,
• Abstract要約: 回転機械の振動に基づく健康モニタリングには, 運転データ制約下での信頼性の高い故障診断が必要である。 特徴アライメントを、近似ポリシー最適化によって解決された連続的なマルコフ決定プロセスとして定式化する。 非対称性を意識した戦略は、ポリシーに整合した模擬サンプルで断層クラスを増大させながら、正規クラスのための実データを予約する。
• 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 health monitoring of rotating machinery requires reliable fault diagnosis under operational data constraints, yet condition assessment remains challenged by structural scarcity of fault events and heterogeneous sim-to-real gaps in digital twin-generated signals. Each fault type generates impulses with distinct periodicity, amplitude modulation, and spectral character, making feature-space discrepancies fundamentally heterogeneous across fault classes. Existing domain adaptation methods apply a class-agnostic global transformation that cannot close all fault-specific gaps without distorting inter-class separability, while uniform source-target mixing introduces distributional noise into the data-abundant Normal class. These limitations stem from treating a sequential, state-dependent alignment problem as a one-shot optimization. Each corrective transformation simultaneously reshapes all class distributions, creating state dependencies that static gradient descent cannot resolve. We formulate feature alignment as a continuous-action Markov decision process solved via Proximal Policy Optimization, where the learned policy issues fault-type-specific affine corrections responsive to the current feature-space configuration, with a dual-objective reward balancing gap minimization against separability preservation. An asymmetry-aware strategy reserves real data for the Normal class while augmenting fault classes with policy-aligned simulated samples. Validation across XJTU-SY, CWRU, and a self-built slewing bearing testbed confirms the dominant gain from reinforcement learning-driven alignment, and cross-equipment linear probing achieves 92.8% without encoder retraining, demonstrating transferable monitoring capability.
• Abstract（参考訳）: 回転機械の振動に基づく健康モニタリングには, 運転データ制約下での信頼性の高い故障診断が必要であるが, ディジタル双生成信号における異常事象の構造的欠如と異質なsim-to-realギャップにより, 状態評価に疑問が残る。 各断層タイプは、周期性、振幅変調、スペクトル特性の異なるインパルスを生成し、断層クラス間の特徴空間の相違を根本的に不均一にする。 既存の領域適応法では、クラス間分離性を歪ませることなく、すべての障害特異的ギャップを閉じることができないクラス非依存のグローバル変換が適用されている。 これらの制限は、逐次的で状態依存的なアライメント問題をワンショット最適化として扱うことに由来する。 各修正変換は、すべてのクラス分布を同時に再設定し、静的な勾配降下が解決できない状態依存を生成する。 本稿では,特徴空間構成に応答するフォールトタイプ特異的アフィン補正を,分離性保護に対する二目的報酬バランスギャップを最小化することにより,特徴アライメントをプロクサマルポリシー最適化によって解決した連続作用マルコフ決定プロセスとして定式化する。 非対称性を意識した戦略は、ポリシーに整合した模擬サンプルで断層クラスを増大させながら、正規クラスのための実データを予約する。 XJTU-SY, CWRU, および自己構築型スリーディングテストベッドの検証により, 強化学習によるアライメントの優位性が確認され, クロス・エクイプメント・リニア・プローブは, エンコーダのリトレーニングなしに92.8%の精度で達成され, 伝達可能なモニタリング能力を示す。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity [8.16821029459195]
  背景駆動の勾配は、連続的なドメインシフトの間、機能のバックボーンを不安定にすることを示す。 連成蒸留による二段階不変連続学習フレームワークを提案する。 高分解能空間ベース RSO 検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-03-27T09:03:49Z)
• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Every Subtlety Counts: Fine-grained Person Independence Micro-Action Recognition via Distributionally Robust Optimization [36.230001277076376]
  マイクロアクション認識は、心理的アセスメントと人間とコンピュータの相互作用に不可欠である。 既存の手法は現実のシナリオで失敗することが多い。 本稿では、分散ロバスト最適化の原則を取り入れた個人独立ユニバーサルマイクロアクション認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-25T14:54:24Z)
• Randomized Space-Time Sampling for Affine Graph Dynamical Systems [3.8379346559198235]
  我々は、初期状態とソース項の両方が帯域制限されたグラフ上の線形力学系に従って時間とともに進化する信号を考える。 2つのランダムな時空サンプリング方式を導入し、安定回復が可能な条件を解析する。
  論文  参考訳（メタデータ） (2025-09-20T21:43:05Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)

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。