論文の概要: Motor compound fault diagnosis using an attention-based cross-talk architecture

• arxiv url: http://arxiv.org/abs/2610.25893v1
• Date: Mon, 19 Oct 2026 06:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 03:54:55.889995
• Title: Motor compound fault diagnosis using an attention-based cross-talk architecture
• Title（参考訳）: 注意型クロストークアーキテクチャを用いたモータ複合故障診断
• Abstract要約: 本研究では,複合故障診断のための時間周波数チャネル注意型残留ニューラルネットワーク次元低減器(RNDR-TFCA)を提案する。 RNDR-TFCAはタスク固有の特徴抽出器を保存し、タスク間で情報を選択的に交換する。 内線断層,外線断層,不整合,不整合を有するロータベアリングシステムの実験により,RNDR-TFCAのマクロF1スコアは0.898となり,シングルタスク,マルチクラス,共有トランク,クロストークベースラインを上回った。
• 参考スコア（独自算出の注目度）: 14.237796264806256
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As physical AI increasingly relies on sensing to understand physical systems, reliable condition monitoring of industrial machinery has become more important. Motors are ubiquitous in industrial systems, and increasing system complexity raises the likelihood of simultaneous faults. Accordingly, compound fault diagnosis that identifies multiple fault components and their severities is increasingly required. Because different fault components jointly affect the same vibration signal, their severity classification can be formulated as related tasks, making multi-task learning (MTL) suitable for exploiting shared information. However, conventional shared-trunk architectures force tasks to share a common representation, potentially causing negative transfer because fault components are characterized by different time-frequency regions. To address this issue, this study proposes a Residual Neural Dimension Reductor with Time-Frequency Channel Attention (RNDR-TFCA), an attention-enhanced cross-talk architecture for multi-output compound fault diagnosis. RNDR-TFCA preserves task-specific feature extractors while selectively exchanging information across tasks. Time-frequency attention emphasizes informative intra-task regions, while channel attention enhances useful inter-task information after nonlinear feature fusion. Experiments on a rotor-bearing system with inner-race fault, outer-race fault, misalignment, and unbalance showed that RNDR-TFCA achieved a macro F1 score of 0.898, outperforming single-task, multi-class, shared-trunk, and cross-talk baselines. Ablation experiments confirmed the benefit of jointly applying both attention mechanisms. RNDR-TFCA required 713 K parameters and 170.42 MMACs, only slightly higher than RNDR. Channel-expanded baselines still underperformed RNDR-TFCA, indicating that the gain was not simply attributable to increased model capacity.
• Abstract（参考訳）: 物理的なAIは、物理的なシステムを理解するためにセンサーに依存しているため、産業機械の信頼性の高い状態監視がますます重要になっている。 モーターは産業システムにおいてユビキタスであり、システムの複雑さの増加は同時故障の可能性を高める。 したがって、複数の断層成分とその重症度を識別する複合断層診断がますます必要となる。 異なる断層成分が同じ振動信号に共同で影響するため、それらの重大度分類は関連するタスクとして定式化することができ、共有情報を利用するのに適したマルチタスク学習(MTL)を実現する。 しかし、従来の共有トランクアーキテクチャはタスクに共通表現を強制し、フォールトコンポーネントが異なる時間周波数領域で特徴づけられるため、負の転送を引き起こす可能性がある。 そこで本研究では,マルチアウトプット複合断層診断用クロストークアーキテクチャであるRNDR-TFCA(Residual Neural Dimension Reductor)を提案する。 RNDR-TFCAはタスク固有の特徴抽出器を保存し、タスク間で情報を選択的に交換する。 時間周波数アテンションは情報的タスク内領域を強調し、チャネルアテンションは非線形特徴融合後のタスク間情報を高める。 内線断層,外線断層,不整合,不整合を有するロータベアリングシステムの実験により,RNDR-TFCAのマクロF1スコアは0.898となり,シングルタスク,マルチクラス,共有トランク,クロストークベースラインを上回った。 アブレーション実験により、両方の注意機構を共同で適用する利点が確認された。 RNDR-TFCAは713Kパラメータと170.42MMACを必要としたが、RNDRよりわずかに高い。 チャネル拡張ベースラインは依然としてRNDR-TFCAを過小評価しており、利得は単にモデル容量の増加に起因するものではないことを示している。

関連論文リスト

• CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency [9.032903163326027]
  本稿では,Granger因果関係の連続的検証として異常検出を再構成する新しいフレームワークを提案する。 提案するフレームワークは,システムダイナミクスの内部化にマルチスケールアライメントを利用する。 実世界の産業データセットの実験では、CAADが高精度な異常検出を実現することが示されている。
  論文  参考訳（メタデータ） (2026-07-09T14:46:10Z)
• Cross-talk based multi-task learning for fault classification of physically coupled machine system [3.9571744700171756]
  マルチタスク学習フレームワークを用いて、障害条件と関連する物理変数を協調的に学習する。 我々は、以前に導入した残留神経次元レダクタモデルに基づいて、その応用を2つのベンチマークに拡張する。 我々の残留神経次元レダクタは、一貫してシングルタスクモデル、全てのラベルの組み合わせをマージするマルチクラスモデル、共有トランクマルチタスクモデルより優れていた。
  論文  参考訳（メタデータ） (2026-02-05T00:10:16Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Multi-output Classification using a Cross-talk Architecture for Compound Fault Diagnosis of Motors in Partially Labeled Condition [4.730233684561005]
  本研究では、部分的にラベル付けされたターゲットデータセットのドメイン適応に適した、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フレームワークは複合断層の重大度レベルを同時に分類する。 本稿では,新たなクロストークアーキテクチャである残差ニューラルディメンションレダクタ(RNDR)を提案する。
  論文  参考訳（メタデータ） (2025-05-29T20:52:54Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Correlated Attention in Transformers for Multivariate Time Series [22.542109523780333]
  本稿では,特徴量依存を効率的に捕捉し,既存のトランスフォーマーのエンコーダブロックにシームレスに統合できる新しいアテンション機構を提案する。 特に、関連性のある注意は、特徴チャネルを横断して、クエリとキー間の相互共分散行列をラグ値で計算し、サブシリーズレベルで選択的に表現を集約する。 このアーキテクチャは、瞬時だけでなく、ラタグされた相互相関の発見と表現の学習を容易にすると同時に、本質的に時系列の自動相関をキャプチャする。
  論文  参考訳（メタデータ） (2023-11-20T17:35:44Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Capturing Multi-Resolution Context by Dilated Self-Attention [58.69803243323346]
  限定的自己意識と拡張メカニズムの組み合わせを提案し,これを拡張的自己意識と呼ぶ。 制限された自己注意は、高分解能でクエリの隣接するフレームに注意を払い、拡張メカニズムは、より低い解像度でそれに出席できるように遠方の情報を要約します。 ASRの結果は、制限された自己アテンションのみと比較して大幅に改善され、計算コストのごく一部をフルシーケンスベースの自己アテンションと比較すると、同様の結果が得られる。
  論文  参考訳（メタデータ） (2021-04-07T02:04:18Z)

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。