論文の概要: Factorized axis convolutional gated recurrent unit with dynamic adaptive pooling for remaining useful life prediction of rolling bearings

• arxiv url: http://arxiv.org/abs/2609.30972v1
• Date: Fri, 25 Sep 2026 08:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.292506
• Title: Factorized axis convolutional gated recurrent unit with dynamic adaptive pooling for remaining useful life prediction of rolling bearings
• Title（参考訳）: 動的適応プーリングによる転がり軸受の寿命予測のための係数化軸畳み込みゲートリカレントユニット
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、転がり軸受の残りの有用寿命(RUL)を予測するために広く用いられている。 劣化中、時間周波数表現(TFR)の特徴構造は周波数軸や時間軸に沿って主に整列する。 本研究では,マルチスケール異方性畳み込みと2軸畳み込みブロックアテンションモジュールを用いた分解軸畳み込みゲートリカレントユニット(GRU)を提案する。
• 参考スコア（独自算出の注目度）: 1.478364697333309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNN) are widely used to predict the remaining useful life (RUL) of rolling bearings from time-frequency representations (TFRs) of vibration signals. However, during degradation, characteristic structures in TFRs align predominantly along the frequency or time axis, making it challenging for conventional CNN isotropic kernels to capture directional structure. Furthermore, global average pooling (GAP) averages across axes, potentially obscuring the locations and concentrations of salient activations. This study introduces a factorized-axis convolutional gated recurrent unit (GRU) that employs multiscale anisotropic convolution and dual-axis convolution block attention module to enhance directional features and highlight salient time-frequency regions. Dynamic adaptive pooling (DAP) adaptively aggregates the time-frequency-axis information from the extracted feature maps, whereas a GRU captures temporal dynamics in the latent representations and Monte Carlo dropout enables predictive uncertainty estimation. Experiments on two public bearing datasets demonstrate that the proposed model outperforms existing RUL prediction methods across operating conditions. Ablation experiments demonstrate that the factorized axis-wise design achieves lower mean errors than convolutional isotropic kernels. DAP yields clear improvements on one dataset while matching GAP on the other, highlighting the importance of anisotropic feature extraction and adaptive feature aggregation for TFR-based RUL prediction.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、振動信号の時間周波数表現(TFR)から転がり軸受の残りの寿命(RUL)を予測するために広く用いられている。 しかし、TFRの特性構造は周波数や時間軸に沿ってほぼ一致しており、従来のCNN等方性カーネルが方向構造を捉えることは困難である。 さらに、グローバル平均プーリング(GAP)は軸を横切る平均値であり、唾液の活性化の場所や濃度を隠蔽する可能性がある。 本研究は,多スケール異方性畳み込みと二重軸畳み込みブロックアテンションモジュールを併用し,方向特性を高め,有意な時間周波数領域を強調させる分解軸畳み込みゲートリカレントユニット(GRU)を提案する。 動的適応プーリング(DAP)は抽出した特徴写像から時間周波数軸情報を適応的に集約する一方、GRUは潜在表現における時間ダイナミクスを捉え、モンテカルロのドロップアウトは予測不確実性推定を可能にする。 2つのパブリックベアリングデータセットの実験により、提案モデルが既存のRUL予測手法より動作条件で優れていることが示された。 アブレーション実験により、分解された軸方向の設計は、畳み込み等方性カーネルよりも平均誤差が低いことを示す。 DAPは、一方のデータセットに対して、他方のGAPとマッチングしながら明確な改善をもたらし、TFRベースのRUL予測において、異方性特徴抽出と適応的特徴集約の重要性を強調している。

関連論文リスト

• Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
  スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
  論文  参考訳（メタデータ） (2026-08-12T07:39:22Z)
• Fourier Preconditioning for Neural Feature Learning [21.952441303074348]
  相互情報(MI)にインスパイアされた特徴学習技術は、非線形依存構造を保持する低次元の埋め込みを生成することができる。 H-Scoreの目標は、2階統計から計算され、特徴抽出ネットワークを訓練するための実用的なプロキシ指標を提供する。 H-Scoreネットワークのユニタリプレコンディショニングについて検討し、適切なベースローテーションを選択することで、有限幅のトランケーション誤差を低減できることを示す。
  論文  参考訳（メタデータ） (2026-07-02T14:07:15Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• From Snapshots to Trajectories: Learning Single-Cell Gene Expression Dynamics via Conditional Flow Matching [40.46237203947526]
  単セルフローマッチング (ScFM) は結合分解フローマッチングに基づく遅延生成フレームワークである。 scFMは、時間的および時間的コヒーレントな可視化のための分布予測性能を一貫して改善する。 scFMはより正確な軌道再構成と、中間点が欠落している時間的コヒーレントな可視化をもたらす。
  論文  参考訳（メタデータ） (2026-05-21T11:26:19Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Beyond NNGP: Large Deviations and Feature Learning in Bayesian Neural Networks [1.1470070927586018]
  大偏差理論は、予測子に対する明示的な変動目標-レート関数を与える。 後続出力率関数は,予測器と内部カーネルとの協調最適化により得られることを示す。
  論文  参考訳（メタデータ） (2026-02-26T12:15:11Z)
• ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting [6.27761817493579]
  時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。 本稿では,線形射影の効率を,畳み込みの非線形特徴抽出力と整合させるアーキテクチャであるACFormerを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:47:54Z)
• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)

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。