論文の概要: Transformer-based Multisensor Data Fusion of Ultrasonic Guided Wave and FBG-based Strain Measurements for Multitask Aerospace Structural Health Monitoring

• arxiv url: http://arxiv.org/abs/2607.02545v1
• Date: Wed, 24 Jun 2026 13:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 07:26:11.070988
• Title: Transformer-based Multisensor Data Fusion of Ultrasonic Guided Wave and FBG-based Strain Measurements for Multitask Aerospace Structural Health Monitoring
• Title（参考訳）: 超音波誘導波の変圧器型マルチセンサデータフュージョンとFBG型ひずみ測定によるマルチタスク大気構造モニタリング
• Abstract要約: 本稿では、圧電トランスデューサ(PZT)からのマルチセンサデータストリームを統合するTransformerベースのデータ融合フレームワークを提案する。 注意機構の可視化により、提案フレームワークは、健康指標(HI)予測とダメージローカライゼーションの両方に対して、透過的でマルチタスクな学習を可能にする。
• 参考スコア（独自算出の注目度）: 5.884291793763452
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structural health monitoring (SHM) has emerged as an essential tool for ensuring the integrity and reliability of critical engineering structures, particularly in aerospace applications. Since each sensing technology has its limitations, the fusion of different modalities enables capturing a more complete picture of inhomogeneous materials, like composites. However, effective multisensor data fusion in SHM is often hindered by heterogeneous sensing modalities that operate at disparate sampling frequencies and acquisition intervals. To address these challenges, this paper proposes a Transformer-based data fusion framework that integrates multisensor data streams from piezoelectric transducer (PZT) capturing ultrasonic guided wave signals and fiber Bragg grating (FBG) sensors for strain measurements. By incorporating an attention-mechanism visualization, the proposed framework enables transparent, multitask learning for both health indicator (HI) prediction and damage localization. The framework was experimentally validated using aircraft composite structures subjected to compression-compression fatigue cyclic loading. For HI prediction, the framework consistently achieved a mean absolute error (MAE) and root mean squared error (RMSE) below 0.1, representing a nearly 60% performance improvement over single-sensor approaches (PZT or FBG alone) and baseline deep learning models. For damage localization, the model demonstrated the highest accuracy, maintaining an MAE and RMSE below 0.0465 and 0.1571, respectively. These results demonstrate that the proposed Transformer-based data fusion framework significantly outperforms single-source models and state-of-the-art deep learning models in both HI prediction and damage localization accuracy.
• Abstract（参考訳）: 構造的健康モニタリング(SHM)は、特に航空宇宙分野において、重要なエンジニアリング構造の整合性と信頼性を確保するための重要なツールとして登場した。 それぞれのセンサー技術には限界があるため、異なるモジュラリティの融合により、合成物のような不均一な物質のより完全な画像を撮影することができる。 しかし、SHMにおける効果的なマルチセンサデータ融合は、異なるサンプリング周波数と取得間隔で動作する不均一なセンシングモードによって妨げられることが多い。 これらの課題に対処するために, 超音波誘導波信号とFBGセンサを計測する圧電トランスデューサ(PZT)のマルチセンサデータストリームを統合したTransformerベースのデータ融合フレームワークを提案する。 注意機構の可視化を取り入れることで,健康指標(HI)予測と損傷局所化の両面において,透過的でマルチタスクな学習を可能にする。 圧縮圧縮疲労サイクル荷重を受ける航空機の複合構造を用いて, 本枠組みを実験的に検証した。 HI予測において、このフレームワークは平均絶対誤差(MAE)と平均二乗誤差(RMSE)を0.1以下で連続的に達成し、単一センサアプローチ(PZTまたはFBGのみ)やベースラインディープラーニングモデルよりも60%近いパフォーマンス改善を実現した。 ダメージローカライゼーションでは、MAEとRMSEをそれぞれ0.0465と0.1571以下に維持し、最高精度を示した。 これらの結果から,Transformerベースのデータ融合フレームワークは,HI予測と損傷局所化精度の両方において,単一ソースモデルと最先端ディープラーニングモデルよりも有意に優れていた。

関連論文リスト

• Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder [0.4893345190925178]
  本研究は,構造的健康モニタリングのための物理インフォームドガウスコーパス変分オートエンコーダを提案する。 我々は、潜伏変数の従来の独立性仮定をガウスコプラに置き換える。 その結果、PI-VAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。
  論文  参考訳（メタデータ） (2026-07-06T13:02:36Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health [39.61652266573024]
  熱交換器の複雑な故障モードを診断するために,アモータイズされた神経後部推定を利用したAI駆動型フレームワークを提案する。 このフレームワークをMCMCベースラインに対して,様々な合成ファウリングおよびリークシナリオでベンチマークする。 ニューラルネットワークの償却された性質は、ほぼ瞬時に推論を可能にし、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。
  論文  参考訳（メタデータ） (2026-04-22T16:21:25Z)
• Multi-Modal Landslide Detection from Sentinel-1 SAR and Sentinel-2 Optical Imagery Using Multi-Encoder Vision Transformers and Ensemble Learning [0.0]
  地すべりは、人間の生活、インフラ、生態系に深刻な影響を与えている主要なジオハザードである。 本研究では、Sentinel-1 Synthetic Aperture Radar(SAR)データとSentinel-2光画像を融合したモジュラー・マルチモデルフレームワークを提案する。 提案手法は地すべり検出における最先端F1スコア0.919を達成する。
  論文  参考訳（メタデータ） (2026-04-07T14:51:05Z)
• TokaMark: A Comprehensive Benchmark for MAST Tokamak Plasma Models [56.94569090844015]
  TokaMarkは、Mega Ampere Spherical Tokamak (MAST)から収集された実実験データに基づいてAIモデルを評価するための構造化ベンチマークである。 TokaMarkは、データ駆動型AIベースのプラズマモデリングの進歩を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-02-05T16:49:44Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• WaveMAE: Wavelet decomposition Masked Auto-Encoder for Remote Sensing [5.65492058135409]
  WaveMAEはマルチスペクトル衛星画像に適したマスク付き自動符号化フレームワークである。 評価の公平性を確保するため、全ての手法が同じデータセット上で事前訓練される(fMoW-S2)。 WaveMAEは従来の最先端アプローチよりも一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-10-26T14:45:30Z)
• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• Transformer-Driven Neural Beamforming with Imperfect CSI in Urban Macro Wireless Channels [27.445841110148674]
  本研究では,不完全なチャネル状態情報下でのビーム形成重みを生成するために,深層的に分離可能な畳み込みと変圧器を統合した新しい教師なしディープラーニングフレームワークを提案する。 主な目標は、信頼性の高い通信を確保しながら、総和レートを最大化することでスループットを向上させることである。
  論文  参考訳（メタデータ） (2025-04-15T23:41:24Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)

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。