論文の概要: A Time-Frequency-Condition Multimodal Fusion Foundation Model for Universal Rotating-Machinery Fault Diagnosis under Multi-Element Heterogeneous Scenarios
- arxiv url: http://arxiv.org/abs/2611.15051v1
- Date: Wed, 11 Nov 2026 05:25:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.050437
- Title: A Time-Frequency-Condition Multimodal Fusion Foundation Model for Universal Rotating-Machinery Fault Diagnosis under Multi-Element Heterogeneous Scenarios
- Title(参考訳): 多要素不均質シナリオ下でのユニバーサル回転機械故障診断のための時間周波数制約多モード核融合モデル
- Abstract要約: TFC-MMFDは回転機械故障診断のための時間周波数多重モード融合モデルである。
TFC-MMFDの精度は99.40%、マクロF1の精度は99.16%である。
- 参考スコア(独自算出の注目度): 14.689722315624133
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent fault diagnosis models are typically developed for a single machine under a specific set of operating conditions, such that each new machine or condition requires retraining from scratch. This one-machine-one-model paradigm scales poorly. Although transfer learning and domain generalization can reduce the labeling burden, they primarily seek domain-invariant commonality, potentially discarding machine-specific characteristics that are critical for diagnosis. This paper proposes TFC-MMFD, a time-frequency-condition multimodal fusion foundation model for rotating-machinery fault diagnosis under multi-element heterogeneous scenarios. Statistical indicators, time-frequency images, vibration sequences, and textual machine and condition descriptions are tokenized into a unified language-like space, allowing inputs of different physical origin to be represented as a single sequence. A LLaMA backbone, together with cross-modal bidirectional attention and a Q-Former, then distills this sequence into fault-mode queries. Diagnosis is performed by matching these queries against natural-language fault-mode anchors rather than fixed class indices, while regression-adversarial condition disentanglement and condition-conditioned masked pre-training improve robustness to changing conditions. Across four progressive tasks on ten public bearing datasets spanning diverse bearing types, speeds, and loads, TFC-MMFD attains 99.40% accuracy and 99.16% macro-F1, maintains over 80% accuracy on most interpolated unseen conditions without adaptation, and improves from 20.26% to 95.63% accuracy on an unseen machine with only five labeled samples per class. It outperforms the strongest of eight domain-generalization baselines by 10.57 percentage points and compares favorably with a recent bearing foundation model while using less than half of its fine-tuning data.
- Abstract(参考訳): インテリジェント障害診断モデルは、通常、特定の操作条件の下で単一のマシン向けに開発され、各新しいマシンまたは状態は、スクラッチから再トレーニングを必要とする。
このワン・マシン・ワン・モデル・パラダイムはスケールが不十分です。
転送学習とドメイン一般化はラベル付けの負担を軽減することができるが、主にドメイン不変の共通性を求め、診断に重要な機械固有の特徴を捨てる可能性がある。
本稿では,TFC-MMFDを提案する。TFC-MMFDは多要素不均一シナリオ下での回転機械故障診断のための時間周波数条件多重モーダル融合基盤モデルである。
統計的指標、時間周波数画像、振動シーケンス、およびテキストマシンと条件記述は統一言語のような空間にトークン化され、異なる物理的起源の入力を単一のシーケンスとして表現することができる。
LLaMAバックボーンは、クロスモーダルな双方向の注意とQ-Formerと共に、このシーケンスをフォールトモードクエリに蒸留する。
これらのクエリを固定されたクラス指標ではなく自然言語のフォールトモードアンカーとマッチングすることで診断を行う一方、回帰逆境条件の乱れと条件条件付きマスク付き事前学習は、条件変更に対する堅牢性を改善する。
TFC-MMFDは、様々なベアリングタイプ、速度、負荷にまたがる10のパブリックベアリングデータセットの4つのプログレッシブタスクの中で、99.40%の精度と99.16%のマクロF1に達し、適応のないほとんどの補間された未確認条件において80%以上の精度を維持し、クラスごとに5つのラベル付きサンプルしか持たない未確認マシンでは20.26%から95.63%の精度で改善されている。
ドメイン一般化ベースライン8つを10.57ポイント上回り、直近のベアリング基礎モデルと比較し、微調整データの半分未満を使用。
関連論文リスト
- Calibrating Multimodal Test-Time Adaptation under Reliability and Availability Modality Shifts [65.44235945768814]
マルチモーダルテスト時間適応(TTA)により、事前訓練されたモデルは、元のトレーニングデータに関連付けることなく、ラベルのないテストデータのみを使用して、推論中に分散シフトを許容できる。
AdaPGCは、ソースモデル予測を校正し、信頼性に基づいた修正をガイドするために、結果の確率的予測を用いて、モダリティ固有および融合表現に関するカテゴリ条件ガウスモデルを継続的に更新する。
ソースコードはhttps://github.com/XuJinglinn/AdaPGC-plusで公開されます。
論文 参考訳(メタデータ) (2026-11-02T14:48:39Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳(メタデータ) (2026-07-07T10:10:00Z) - UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。
本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。
本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
論文 参考訳(メタデータ) (2026-05-18T10:28:15Z) - Unsupervised Multi-Attention Meta Transformer for Rotating Machinery Fault Diagnosis [4.9825074884178955]
少数ショット非教師あり回転機械故障診断(MMT-FD)のためのマルチアテンション・メタトランス法を提案する。
このフレームワークは、ラベルのないデータから潜在的なフォールト表現を抽出し、強力な一般化能力を示す。
モデルは、少数の対照的な学習イテレーションを使用して反復的に最適化され、高い効率をもたらす。
論文 参考訳(メタデータ) (2025-09-11T08:35:43Z) - Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。
本稿では,GAA (Generate grained Anomaly) を提案する。
GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
論文 参考訳(メタデータ) (2025-07-13T12:56:59Z) - Multi-output Classification Framework and Frequency Layer Normalization for Compound Fault Diagnosis in Motor [5.240890834159944]
本研究は,故障診断における領域適応のための多出力分類(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) 法とは異なり, 提案手法は個別に各断層の重大度を推定する。
PLデータを用いた6つの領域適応事例を対象とした評価の結果,MOCはマクロF1スコアにおいてベースラインモデルよりも優れていた。
論文 参考訳(メタデータ) (2025-04-15T13:40:16Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings [0.7409922717686698]
極端学習機械(ELM)とロジスティックマッピングに基づく転がり軸受の新しい高速故障診断法を提案する。
ケース・ウェスタン・リザーブ大学(CWRU)ベアリング・データ・センターの転がり軸受振動信号データセットについて広範な実験を行った。
提案手法は,予測精度の観点から既存のSOTA比較法より優れており,最大精度は7つのサブデータ環境において100%である。
論文 参考訳(メタデータ) (2022-04-23T03:11:02Z)
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。