論文の概要: Spectral Aliasing Pretext: A novel task for Self-Supervised fault diagnosis in rotating machinery

• arxiv url: http://arxiv.org/abs/2608.05705v1
• Date: Thu, 06 Aug 2026 07:46:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.845687
• Title: Spectral Aliasing Pretext: A novel task for Self-Supervised fault diagnosis in rotating machinery
• Title（参考訳）: スペクトルエイリアス・プレテキスト:回転機械の自己超過故障診断のための新しい課題
• Abstract要約: 深層学習は機械故障診断の新しい手法であるが、広範なラベル付きデータを必要とする。 本研究では,未ラベル振動データに基づく事前学習を行う自己教師あり学習手法であるSpectral Aliasing Pretext (SAP)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning is a new way for machinery fault diagnosis but requires extensive labeled data, a scarce resource in industrial settings. We propose Spectral Aliasing Pretext (SAP), a self-supervised learning method that pretrains models on unlabeled vibration data by exploiting spectral aliasing. We deliberately undersample signals to create folded spectrum, then train a Transformer to reconstruct the original unfolded spectrum. This pretext task forces the model to learn frequency-domain invariants characteristic of mechanical faults, without potentially destructive augmentations. Experiments on the CWRU dataset show that SAP learns stable and highly discriminative representations. In a linear probing setting, SAP quickly achieves very high classification performance with only a small fraction of labeled data and low variance. In contrast, full fine-tuning, including fully supervised training, does not lead to more stable or better results. Overall, these findings suggest that SAP combined with linear probing can be more effective and reliable than fully supervised training for fault diagnosis with limited labeled data.
• Abstract（参考訳）: 深層学習は機械故障診断の新しい手法であるが、産業環境では少ない資源である広範囲なラベル付きデータを必要とする。 本研究では,スペクトルエイリアスを利用して,ラベルなし振動データに基づく事前学習を行う自己教師付き学習手法であるスペクトルエイリアス法(SAP)を提案する。 我々は意図的に信号をアンサンプして折り畳みスペクトルを作成し、次にトランスフォーマーを訓練して元の展開スペクトルを再構築する。 このプレテキストタスクは、潜在的に破壊的な拡張を伴わずに、機械的欠陥に特徴的な周波数領域不変性を学ぶようモデルに強制する。 CWRUデータセットの実験は、SAPが安定かつ高度に識別可能な表現を学習していることを示している。 線形探索環境では、SAPはわずかなラベル付きデータと低分散で、非常に高い分類性能を迅速に達成する。 対照的に、完全に教師されたトレーニングを含む完全な微調整は、より安定した結果やより良い結果をもたらすことはない。 以上の結果から, SAPと線形探傷の組み合わせは, 限られたラベル付きデータを用いた断層診断のための完全教師付きトレーニングよりも効果的で信頼性が高いことが示唆された。

関連論文リスト

• Unsupervised Multi-Attention Meta Transformer for Rotating Machinery Fault Diagnosis [4.9825074884178955]
  少数ショット非教師あり回転機械故障診断(MMT-FD)のためのマルチアテンション・メタトランス法を提案する。 このフレームワークは、ラベルのないデータから潜在的なフォールト表現を抽出し、強力な一般化能力を示す。 モデルは、少数の対照的な学習イテレーションを使用して反復的に最適化され、高い効率をもたらす。
  論文  参考訳（メタデータ） (2025-09-11T08:35:43Z)
• Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation [9.560742599396411]
  クラスインクリメンタルな障害診断は、以前の知識を維持しながら新しい障害クラスに適応するモデルを必要とする。 本稿では,クラスインクリメンタル・フォールト・診断のためのスーパーバイザード・コントラスト・ナレッジ・ディチリレーションを提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:20:29Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• 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)
• Parameter-tuning-free data entry error unlearning with adaptive selective synaptic dampening [51.34904967046097]
  本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。 本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。 このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
  論文  参考訳（メタデータ） (2024-02-06T14:04:31Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• 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)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• ABCAS: Adaptive Bound Control of spectral norm as Automatic Stabilizer [17.537850541544216]
  ABCASと呼ばれる適応正規化法を提供する新しい安定化器を提案する。 本手法は,実データと偽データの分布距離をチェックすることにより,判別器のリプシッツ定数を適応的に決定する。 提案手法は,生成側ネットワークのトレーニングの安定性を向上し,生成画像のFr'echet Inception Distanceスコアを向上する。
  論文  参考訳（メタデータ） (2022-11-12T07:15:28Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。