論文の概要: Contrastive Siamese Representation Learning for Predictive Maintenance of Electrical Submersible Pumps
- arxiv url: http://arxiv.org/abs/2609.22360v1
- Date: Wed, 29 Jul 2026 13:44:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.814732
- Title: Contrastive Siamese Representation Learning for Predictive Maintenance of Electrical Submersible Pumps
- Title（参考訳）: 電気式潜水ポンプの予測保守のための対照的なシームズ表現学習
- Abstract要約: 本研究では,クラス不均衡認識を取り入れた故障診断フレームワークを提案する。
提案手法は, 現実的な産業条件下での堅牢かつ一貫した断層分類性能を実現する。
- 参考スコア（独自算出の注目度）: 0.5217870815854703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electrical submersible pumps (ESPs) are essential in offshore oil production, where unexpected failures can result in significant operational and financial losses. Accurate predictive maintenance for ESP systems remains challenging due to nonlinear operating conditions, class imbalance, and variability among pump units. To address these issues, this study presents a fault diagnosis framework that incorporates class imbalance awareness by employing Siamese contrastive representation learning and prior-corrected k-nearest neighbor (KNN) classification. The method first extracts discriminative features relevant to fault detection from vibration-domain indicators and engineered harmonic relationships. A Siamese neural network is trained with class-balanced contrastive pairs to construct an embedding space that clusters samples of the same fault type and separates different fault classes. To further mitigate class imbalance during classification, a prior-corrected distance-weighted KNN is applied. The framework is validated using a Leave-One-ESP-Out (LOEO) strategy to evaluate generalization to previously unseen ESP units. Experimental results indicate that the proposed framework delivers robust and consistent fault classification performance under realistic industrial conditions, supporting its potential for reliable predictive maintenance and intelligent ESP system monitoring.
- Abstract（参考訳）: 電気式潜水ポンプ(ESP)はオフショア油田生産において必須であり、予期せぬ故障により運用や財政的に大きな損失をもたらす可能性がある。
ESPシステムの正確な保守は、非線形動作条件、クラス不均衡、ポンプユニット間のばらつきのため、依然として困難である。
これらの課題に対処するために,シームズコントラスト表現学習と事前補正k-nearest neighbor(KNN)分類を用いて,クラス不均衡認識を取り入れた欠陥診断フレームワークを提案する。
本手法はまず,振動領域インジケータと工学的調和関係から,断層検出に関連する識別的特徴を抽出する。
シームズニューラルネットワークは、同じフォールトタイプのサンプルを集約し、異なるフォールトクラスを分離する埋め込みスペースを構築するために、クラスバランスの異なるコントラストペアでトレーニングされる。
分類中のクラス不均衡をさらに緩和するために、事前補正された距離重み付きKNNを適用する。
このフレームワークはLeave-One-ESP-Out(LOEO)戦略を用いて検証され、以前は見つからなかったESPユニットへの一般化を評価する。
実験結果から,本フレームワークは,現実的な産業環境下での堅牢かつ一貫した故障分類性能を実現し,信頼性の高い予測保守とESPシステム監視の可能性を実証した。
関連論文リスト
- Towards a Resilience-Theoretic Foundation for Adversarial Robustness in Industrial Control System Anomaly Detection [0.0]
産業制御システム(ICS)および運用技術(OT)環境における異常な侵入検知システムは、形式的なレジリエンス基準を満たすためにますます必要とされている。
既存のサイバー物理システムのためのレジリエンスフレームワークは、アーキテクチャレベルで吸収-回復-適応軌道を定義するが、機械学習異常検出器を第一級コンポーネントとして扱わない。
本稿では,ICS異常検出における対向ロバスト性はシステムレジリエンスの特定インスタンス化であることを示す。
論文 参考訳（メタデータ） (2026-09-07T09:04:30Z) - Quantum Annealing Enhanced Reinforcement Learning for Accurate Remaining Useful Lifetime Prediction [0.8699280339422538]
劣化予測のための量子アニール拡張埋め込み(Q-QAQL)システムを提案する。
QAQLは、古典的、統計的に重要なベースラインよりも優れています。
その結果、量子劣化誤差は単に理論的なものではなく、予測保守的応用であることが示唆された。
論文 参考訳（メタデータ） (2026-06-16T21:32:37Z) - 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) - CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。
最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。
提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
論文 参考訳（メタデータ） (2026-03-06T15:11:58Z) - Neural Prior Estimation: Learning Class Priors from Latent Representations [1.0190716100703863]
クラス不均衡は、歪んだ効果的なクラスを事前に付与することにより、ディープニューラルネットワークの系統的バイアスを誘導する。
この研究は、潜在表現から特徴条件付きログプライア推定を学習するフレームワークであるNeural Prior Estor(NPE)を紹介する。
論文 参考訳（メタデータ） (2026-02-19T21:36:34Z) - Online Bayesian Imbalanced Learning with Bregman-Calibrated Deep Networks [0.7106986689736825]
本報告では、クラス優先の仮定から確率比の推定を分離する原則的フレームワークであるOBIL(TextitOnline Bayesian Im Balanced Learning)を提案する。
我々のアプローチは、ブレグマンの発散と適切なスコアリングルールとの確立された接続に基づいて、そのような損失で訓練されたディープネットワークが後続確率推定を生成することを示す。
これらの確率比の推定は、クラス事前およびコスト構造における任意の変化の下でも有効であり、最適なベイズ決定のためのしきい値調整のみを必要とすることを証明している。
論文 参考訳（メタデータ） (2026-02-08T21:23:00Z) - Q-function Decomposition with Intervention Semantics with Factored Action Spaces [51.01244229483353]
元の作用空間の低次元射影部分空間上で定義されるQ-函数を考察し、分解されたQ-函数の不偏性について考察する。
これにより、標準モデルフリー強化学習アルゴリズムにおいて、予測Q関数を用いてQ関数を近似する動作分解強化学習と呼ばれる一般的なスキームが導かれる。
論文 参考訳（メタデータ） (2025-04-30T05:26:51Z) - Error-quantified Conformal Inference for Time Series [55.11926160774831]
時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。
量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。
ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
論文 参考訳（メタデータ） (2025-02-02T15:02:36Z) - Uncertainty-guided Boundary Learning for Imbalanced Social Event
Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。
我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文 参考訳（メタデータ） (2023-10-30T03:32:04Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳（メタデータ） (2023-06-26T06:45:16Z) - Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。
畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。
この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文 参考訳（メタデータ） (2021-08-03T19:24:25Z)
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。