Fugu-MT 論文翻訳(概要): Predictive Failure Detection in Network Hardware Using Thermal Imaging and Deep Learning with Sensor Fusion

論文の概要: Predictive Failure Detection in Network Hardware Using Thermal Imaging and Deep Learning with Sensor Fusion

arxiv url: http://arxiv.org/abs/2608.07582v1
Date: Wed, 05 Aug 2026 04:32:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.447464
Title: Predictive Failure Detection in Network Hardware Using Thermal Imaging and Deep Learning with Sensor Fusion
Title（参考訳）: サーマルイメージングとセンサフュージョンを用いたディープラーニングを用いたネットワークハードウェアの予測故障検出
Authors: Ashly Joseph,
Abstract要約: 計画されていないネットワークハードウェアの故障は、サービスを中断し、データセンターで高価なダウンタイムをもたらす可能性がある。熱画像とパワーセンサデータを用いて機器故障の早期指標を検出する深層学習に基づく予測保守戦略を提案する。
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: Unplanned network hardware malfunctions can interrupt services and result in expensive downtime in data centers. A deep learning-based predictive maintenance strategy is presented that utilizes thermal imaging and power sensor data to detect early indicators of equipment breakdown in routers, switches, and servers. A simulated dataset was generated comprising annotated thermal pictures and power readings indicative of three operating states: Normal, Warning, and Critical. Three ImageNet-pretrained convolutional neural network (CNN) models ResNet-50, InceptionV3, and VGG16 were assessed together with a multi-modal CNN-LSTM fusion model that integrates visual and sensor time-series information. Experiments were performed with and without pre-processing procedures, including region-of-interest (ROI) extraction and normalization. In the absence of pre-processing, CNNs attained moderate accuracy (e.g., ResNet-50 at 52%), but ROI-based pre-processing significantly enhanced performance (ResNet-50 accuracy reaching 91%). The CNN-LSTM model attained the greatest accuracy of 94%, with precision and recall approaching 95%, illustrating the effectiveness of multi-modal fusion. The results validate that domain-specific pre-processing and sensor fusion substantially improve early failure prediction, providing a potential foundation for proactive maintenance of network hardware through non-intrusive monitoring.
Abstract（参考訳）: 計画されていないネットワークハードウェアの故障は、サービスを中断し、データセンターで高価なダウンタイムをもたらす可能性がある。サーマルイメージングとパワーセンサデータを用いて、ルータ、スイッチ、サーバの機器故障の早期指標を検出するディープラーニングベースの予測メンテナンス戦略が提示される。ノーマル、ウォーニング、クリティカルの3つの状態を示す注釈付き熱画像とパワーリードからなるシミュレーションデータセットを作成した。 ImageNet-pretrained convolutional neural network (CNN) Model ResNet-50, InceptionV3, VGG16は、視覚とセンサーの時系列情報を統合するマルチモーダルCNN-LSTM融合モデルと共に評価された。関心領域抽出(ROI)や正規化など,前処理の手順を使わずに実験を行った。事前処理がない場合、CNNは適度な精度(例えばResNet-50は52%)を得たが、ROIベースの事前処理では性能が大幅に向上した(ResNet-50の精度は91%に達した)。 CNN-LSTMモデルが最も精度の高い94%に達し、精度とリコールは95%に近づき、マルチモーダル核融合の有効性が示された。その結果、ドメイン固有の前処理とセンサ融合が早期故障予測を大幅に改善し、非侵襲的なモニタリングによるネットワークハードウェアの積極的な保守の基礎となる可能性が示唆された。

関連論文リスト

IoT-Enhanced CNN-Based Labelled Crack Detection for Additive Manufacturing Image Annotation in Industry 4.0 [0.8594140167290097]
本稿では、畳み込みニューラルネットワーク(CNN)を用いた付加製造(AM)表面の自動き裂検出のためのIoT強化ディープラーニングフレームワークを提案する。リアルタイムデータ取得は、即時CNNベースの分析をサポートし、AM品質管理の精度と効率の両方を改善する。精度は14,982枚で99.54%、精度は96%、リコールは98%、スコアは97%である。
論文参考訳（メタデータ） (2026-04-22T14:09:50Z)
M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks [18.215893951726166]
拡張されたネットワーク状態データから複数のパフォーマンス指標を推定するグラフニューラルネットワークアーキテクチャであるM3Netを導入する。 M3Netは、MAPE (Mean Absolute Percentage Error) を20.06%から17.39%に削減することで、流量遅延予測の精度を大幅に向上させる。
論文参考訳（メタデータ） (2025-12-10T16:12:42Z)
Robust Power System State Estimation using Physics-Informed Neural Networks [1.3258437587406258]
本稿では,電力系統状態推定の精度とロバスト性を高めるために,物理インフォームドニューラルネットワーク(PINN)を用いたハイブリッドアプローチを提案する。ニューラルネットワークアーキテクチャに物理法則を埋め込むことで、PINNは正常かつ欠陥のある条件下での伝送グリッドアプリケーションの推定精度を向上させる。
論文参考訳（メタデータ） (2025-07-08T10:58:13Z)
Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics [0.0]
本稿では,拡張量子回帰ニューラルネットワーク(EQRNN)を中心に,新しい予測保守フレームワークを提案する。先進的なニューラルネットワークを組み合わせたハイブリッドアプローチによる早期障害検出の課題に対処する。計算効率を維持しながら複雑なマルチモーダルセンサーデータを処理する上でのこのフレームワークの有効性は、産業用4.0の製造環境への適用性を検証する。
論文参考訳（メタデータ） (2025-01-09T09:11:40Z)
Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of Generative AI and State-of-the-Art Neural Networks [5.089732183029123]
デジタル・ロック物理学において、CTとSEMスキャンから微細構造を分析することは、ポーシティーや細孔接続性などの特性を推定するために重要である。しきい値やCNNのような従来のセグメンテーション手法は、しばしば岩の微細構造を正確に詳細に記述するに足りず、ノイズを生じやすい。 U-Netはセグメンテーションの精度を改善したが、複雑な細孔形状のため、多くの専門家による注釈付きサンプルを必要とした。我々の研究は、これらの制限を克服するために、高度な生成AIモデルである拡散モデルを用いていた。 TransU-Netは、デジタルロック物理学の新しい標準を設定し、将来の地球科学と工学のブレークスルーの道を開く。
論文参考訳（メタデータ） (2023-11-10T14:24:50Z)
EasyNet: An Easy Network for 3D Industrial Anomaly Detection [49.26348455493123]
3D異常検出は、産業生産において、新しくて重要なコンピュータビジョンタスクである。我々は,事前訓練されたモデルやメモリバンクを使わずに,容易に展開可能なネットワーク(EasyNet)を提案する。実験の結果、EasyNetはトレーニング済みのモデルやメモリバンクを使わずに92.6%の異常検出AUROCを実現していることがわかった。
論文参考訳（メタデータ） (2023-07-26T02:46:50Z)
Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文参考訳（メタデータ） (2022-11-24T18:10:01Z)
Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文参考訳（メタデータ） (2022-06-15T19:46:59Z)
Post-training deep neural network pruning via layer-wise calibration [70.65691136625514]
本論文では,自動合成フラクタル画像に基づくコンピュータビジョンモデルに対するデータフリーな拡張を提案する。実データを使用する場合は、トレーニング後の設定で65%の間隔で8ビットの精度でImageNet上のResNet50モデルを取得できます。
論文参考訳（メタデータ） (2021-04-30T14:20:51Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。