論文の概要: Multi-Class Electrical and Mechanical Fault Classification Using Random Convolutional Kernels

• arxiv url: http://arxiv.org/abs/2608.18716v1
• Date: Wed, 19 Aug 2026 09:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.361767
• Title: Multi-Class Electrical and Mechanical Fault Classification Using Random Convolutional Kernels
• Title（参考訳）: ランダム畳み込みカーネルを用いた多種電気・機械的故障分類
• Abstract要約: メカニカルおよび電気的障害のマルチクラス診断におけるSelF-Rocketの有用性について検討した。 本稿では,SelF-Rocketが評価手法の中で最高の総合的精度-遅延トレードオフを実現することを示す。
• 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: Diagnosing faults in rotating machinery is essential for ensuring the reliability of industrial processes. Random convolutional kernel-based Time Series Classification (TSC) methods, such as ROCKET and its variants, provide an attractive trade-off between predictive performance and computational efficiency. In this work, we evaluate SelF-Rocket for the multi-class diagnosis of both mechanical and electrical faults and introduce, as a new contribution, a multivariate extension of the original method. The proposed approach is compared with leading ROCKET-based methods on two public benchmark datasets, MaFaulDa (mechanical faults) and ITSC-UDG (stator inter-turn short circuits), under both univariate and multivariate settings. Experimental results show that SelF-Rocket achieves the best overall accuracy-latency trade-off among the evaluated methods, obtaining the highest classification performance on MaFaulDa while remaining highly competitive on the more challenging ITSC-UDG dataset.
• Abstract（参考訳）: 回転機械の故障診断は, 産業プロセスの信頼性確保に不可欠である。 ROCKETなどのランダム畳み込みカーネルベースの時系列分類(TSC)手法は、予測性能と計算効率の間に魅力的なトレードオフをもたらす。 本研究では,SelF-Rocketを機械的および電気的故障のマルチクラス診断として評価し,新しい貢献として,元の手法の多変量拡張を導入する。 提案手法は,MAFaulDa(メカニカル・フォールト)とITSC-UDG(ストータ・インターターン・ショート・サーキット)の2つの公開ベンチマーク・データセット上でのROCKETに基づく主要な手法と比較した。 実験結果から,SelF-Rocket はMaFaulDa において高い分類性能を示しながら,より難易度の高い ITSC-UDG データセットに高い競争力を保っていることがわかった。

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)
• Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series [36.94429692322632]
  本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。
  論文  参考訳（メタデータ） (2025-10-30T05:39:44Z)
• Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
  Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。 従来の射影的手法の制約を克服する。 挑戦的なデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-28T03:53:46Z)
• CI-RKM: A Class-Informed Approach to Robust Restricted Kernel Machines [0.0]
  制限されたカーネルマシン(RKM)はカーネルマシンファミリー内の汎用的で強力なフレームワークである。 本稿では,クラスインフォームド重み付き関数を統合することにより,RKMフレームワークの新たな拡張を提案する。 提案手法は,カーネルベースの学習モデルの開発において,大きな進歩をもたらす。
  論文  参考訳（メタデータ） (2025-04-12T11:12:30Z)
• Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain [5.240890834159944]
  本研究では,断層診断における領域適応のための新しいマルチアウトプット分類(MOC)フレームワークを提案する。 従来のマルチクラス分類(MCC)アプローチとは異なり、MOCフレームワークは個々の故障の重症度を独立に分類し、診断精度を向上する。
  論文  参考訳（メタデータ） (2025-03-15T14:15:10Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• A novel multi-classifier information fusion based on Dempster-Shafer theory: application to vibration-based fault detection [0.0]
  個別分類器の性能を高めるために, 新規な多重分類器融合法を開発した。 証拠間の衝突を計測し緩和するために、新しい計量に基づく前処理技術が考案された。
  論文  参考訳（メタデータ） (2020-12-04T09:16:35Z)
• Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
  本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。 本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2020-08-14T05:46:56Z)

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。