論文の概要: Stagewise Anomaly Detection for E-Transaxle Quality Monitoring Using Wavelet and STFT Features
- arxiv url: http://arxiv.org/abs/2609.22172v1
- Date: Thu, 27 Aug 2026 00:28:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.756028
- Title: Stagewise Anomaly Detection for E-Transaxle Quality Monitoring Using Wavelet and STFT Features
- Title（参考訳）: ウェーブレットとSTFT特徴を用いたE-Transaxle品質モニタリングの段階的異常検出
- Abstract要約: 本稿では,電気自動車におけるe-transaxleアセンブリの品質スクリーニングのための2つの解釈可能な機械学習フレームワークを提案する。
高次元振動信号を複数の動作段階にわたって解析し、ステージ依存振動挙動を捉える。
生産と道路試験によるe-transaxleユニットの実験は、どちらの手法も解釈可能な診断情報を提供することを示している。
- 参考スコア（独自算出の注目度）: 4.9597976846651415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents two interpretable machine-learning frameworks for quality screening of e-transaxle assemblies in electric vehicles: a Stagewise Wavelet Isolation Forest (SWIF) framework and a short-time Fourier transform (STFT)-based diagnostic framework. High-dimensional vibration signals acquired from front and back accelerometers are analyzed across multiple operating stages to capture stage-dependent vibration behavior. In the SWIF framework, signals are decomposed using a five-level Daubechies-4 discrete wavelet transform, and blockwise mean-squared coefficients are extracted from the selected wavelet detail level to obtain compact multiscale features. In the STFT-based framework, dominant-frequency trends are extracted from time-frequency representations and summarized through regression coefficients with respect to instantaneous motor speed. Anomaly detection models are trained using accepted production units under the assumption that only a small fraction of accepted assemblies contain latent defects, and their performance is evaluated using road-tested units with validated quality outcomes. Experiments on production and road-tested e-transaxle units show that both approaches provide interpretable diagnostic information, while SWIF achieves the most favorable balance between defect detection and false-positive control. Compared with the STFT-based method and alternative anomaly detectors, SWIF combined with Isolation Forest yields lower anomaly rates within the Accept population while identifying high-risk units from the Reject population. The stagewise structure further localizes anomalous behavior to specific operating conditions, supporting root-cause analysis and targeted process improvement.
- Abstract（参考訳）: 本稿では,電気自動車におけるe-transaxleアセンブリの品質スクリーニングのための2つの解釈可能な機械学習フレームワークについて述べる。
前後加速度計から取得した高次元振動信号を複数の動作段階にわたって解析し、ステージ依存振動挙動を捉える。
SWIFフレームワークでは、5レベルDaubechies-4離散ウェーブレット変換を用いて信号を分解し、選択したウェーブレットディテールレベルからブロックワイド平均二乗係数を抽出し、コンパクトなマルチスケール特徴を得る。
STFTベースのフレームワークでは、時間周波数表現から支配周波数傾向を抽出し、瞬時モータ速度に対する回帰係数を通して要約する。
異常検出モデルは,受理されたアセンブリのごく一部に潜伏欠陥が含まれていると仮定して,受理された生産単位を用いて訓練し,その性能を検証された品質結果を有する道路試験単位を用いて評価する。
生産および道路試験によるe-transaxleユニットの実験では、どちらの手法も解釈可能な診断情報を提供し、SWIFは欠陥検出と偽陽性制御の最も好ましいバランスを達成している。
STFT法と代替の異常検知器と比較すると、SWIFは分離林と組み合わせてアセプションの個体群内の異常率を低くし、リジェクトの個体群から高リスク単位を同定する。
段階的構造は、異常な動作を特定の操作条件にさらに局所化し、根因解析とプロセス改善の目標とする。
関連論文リスト
- S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。
RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文 参考訳（メタデータ） (2026-08-18T08:05:00Z) - DeMTS: Denoising Trajectories as Multivariate Time Series for Hallucination Detection in Diffusion Language Models [59.414664850109155]
拡散大言語モデル (D-LLM) はテキスト生成において有望なパラダイムとして登場してきた。
D-LLMは幻覚に弱いままであり、流動的な出力は事実的に誤った、またはサポートされていない内容を含む可能性がある。
論文 参考訳（メタデータ） (2026-07-24T06:45:43Z) - Drift-Aware RL-based Wavelet Denoising for Network-Traffic Anomaly Detection [1.5469452301122173]
ネットワーク監視のための交通利用測定は、付加雑音と統計的ドリフトによって損なわれる。
2つのタスクに最適化された前処理層として適応ウェーブレットをデノナイズするドリフト対応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-22T10:52:05Z) - Parametric Generalized Adaptive Moment Features (PG-AMF) for Bearing Fault Diagnosis and Machine Health Monitoring [3.1854529627213277]
本研究では,データから直接特徴を学習するパラメトリック適応型特徴抽出フレームワークを提案する。
学習された表現は、幅広い信号特性を効果的に捉え、産業監視システムにおける診断性能の向上と実用性の両方をサポートする。
論文 参考訳（メタデータ） (2026-06-24T19:02:23Z) - Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。
本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。
機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。
勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
論文 参考訳（メタデータ） (2026-05-20T08:15:56Z) - SALIENT: Frequency-Aware Paired Diffusion for Controllable Long-Tail CT Detection [6.673878172809982]
制御可能なCT拡張のためのマスク条件のウェーブレットドメイン拡散フレームワークであるSALIENTを紹介する。
SALIENTは、画素空間を飾る代わりに、離散ウェーブレット係数上の構造拡散を行い、高周波構造の詳細から低周波輝度を分離する。
3D VAEは多様なボリューム障害マスクを生成し、セミ教師は下流マスク誘導検出のためのペアスライスレベル擬似ラベルを生成する。
論文 参考訳（メタデータ） (2026-02-26T19:12:15Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - LLM Hallucination Detection: A Fast Fourier Transform Method Based on Hidden Layer Temporal Signals [10.85580316542761]
幻覚は、信頼性に敏感なアプリケーションに大規模言語モデル(LLM)をデプロイする上で、依然として重要な障壁である。
隠れ表現の時間的ダイナミクスをモデル化する新しい幻覚検出フレームワークであるHSAD(Hidden Signal Analysis-based Detection)を提案する。
TruthfulQAを含む複数のベンチマークにおいて、HSADは従来の最先端手法に比べて10パーセント以上の改善を実現している。
論文 参考訳（メタデータ） (2025-09-16T15:08:19Z) - An End-to-End Comprehensive Gear Fault Diagnosis Method Based on Multi-Scale Feature-Level Fusion Strategy [2.7257711357543504]
加速度信号を用いたギアのインテリジェントな故障診断手法を提案する。
本手法は、歯車におけるエンドツーエンドの故障診断の要件を効果的に満たすものである。
論文 参考訳（メタデータ） (2025-03-31T09:40:06Z) - Frequency Domain Enhanced U-Net for Low-Frequency Information-Rich Image Segmentation in Surgical and Deep-Sea Exploration Robots [34.28684917337352]
CNNと人間の視覚系における周波数帯域感度の差について検討する。
本稿では、生体視覚機構にインスパイアされたウェーブレット適応スペクトル融合(WASF)法を提案する。
我々は SAM2 のバックボーンネットワークを利用する FE-UNet モデルを開発し, セグメンテーション精度を確保するために細調整した Hiera-Large モジュールを組み込んだ。
論文 参考訳（メタデータ） (2025-02-06T07:24:34Z) - FS-BAND: A Frequency-Sensitive Banding Detector [55.59101150019851]
バンディング・アーティファクト(Banding artifact)は、階段のような輪郭(contour)として知られ、圧縮や伝達などで発生する一般的な品質の不快さである。
周波数感度バンディング検出器 (FS-BAND) と呼ばれる,帯状アーティファクトを捕捉・評価するための非参照帯状検出モデルを提案する。
実験結果から,FS-BAND法は画像品質評価(IQA)手法よりもバンドリング分類タスクの精度が高い結果を得た。
論文 参考訳（メタデータ） (2023-11-30T03:20:42Z)
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。