arXiv:2210.16176

A Novel Sparse Bayesian Learning and Its Application to Fault Diagnosis for Multistation Assembly Systems

Jihoon Chung, Bo Shen, Zhenyu, Kong

제출 2022-10-28

원문 초록

This paper addresses the problem of fault diagnosis in multistation assembly systems. Fault diagnosis is to identify process faults that cause the excessive dimensional variation of the product using dimensional measurements. For such problems, the challenge is solving an underdetermined system caused by a common phenomenon in practice; namely, the number of measurements is less than that of the process errors. To address this challenge, this paper attempts to solve the following two problems: (1) how to utilize the temporal correlation in the time series data of each process error and (2) how to apply prior knowledge regarding which process errors are more likely to be process faults. A novel sparse Bayesian learning method is proposed to achieve the above objectives. The method consists of three hierarchical layers. The first layer has parameterized prior distribution that exploits the temporal correlation of each process error. Furthermore, the second and third layers achieve the prior distribution representing the prior knowledge of process faults. Then, these prior distributions are updated with the likelihood function of the measurement samples from the process, resulting in the accurate posterior distribution of process faults from an underdetermined system. Since posterior distributions of process faults are intractable, this paper derives approximate posterior distributions via Variational Bayes inference. Numerical and simulation case studies using an actual autobody assembly process are performed to demonstrate the effectiveness of the proposed method.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27411v1cs.LG공통 태그 Time Series Analysis, Fault Diagnosis

라벨이 희소할 때: 진동 진단을 위한 진동형 상태 공간 모델

When Labels Are Scarce: An Oscillatory State Space Model for Vibration Diagnosis

진동 기반 기계 고장 진단은 로컬 추론을 위한 엣지 디바이스의 계산 제약을 만족하면서, 라벨이 희소한 고장 녹음으로부터 학습해야 한다. 본 연구는 DualRes를 제안한다. 이는 진동의 두 가지 상보적 스펙트럼 관점을 결합하는 소형 진동형 상태 공간 모델로, 급격한 변화와 미세한 주파수 구조를 포착한다. 시간 정렬된 관점은 선택적 진동 기억(selective oscillatory memory)으로 처리되며, 시간적 패턴을 얼마나 오래 유지할지 학습한다. 인코더는 39,528개의 파라미터를 포함한다. 여섯 개의 베어링 데이터셋과 기어박스 벤치마크, 그리고 추가 기어박스 파일럿에서 지도 학습을 평가했다. 녹음 단위 분할과 라벨링된 구간에 대한 명시적 집계는 상관된 샘플에 대한 반복 노출과 데이터 효율을 구분한다. 주요 기어박스 벤치마크에서 DualRes는 일곱 가지 라벨 예산 중 여섯에서 평가된 아홉 가지 방법 가운데 최첨단 성능을 달성했다. 클래스당 약 6초의 라벨링된 데이터로, 차순위 비교 방법 대비 macro-F1을 16.1퍼센트포인트 향상시켰다. 동일 벤치마크에서 DualRes는 동일한 하드웨어 및 런타임 조건 하 선택적 상태 공간 기준선 대비 녹음 단위 속도 1.44배 향상과 체크포인트 저장량 24.8배 감소를 달성했다. 베어링 결과는 과제에 따른 trade-off를 보여준다. 이러한 결과는 제한된 라벨 노출 하에서 진동 진단을 위한 컴팩트한 접근으로서 진동 기억을 뒷받침한다.

arXiv:2607.22797v1cs.LG공통 태그 Time Series Analysis, Fault Diagnosis

베어링 결함 진단을 위한 물리적으로 검증 가능한 증거와 LLM 기반 보고

Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis

안전이 중요한 기계 시스템에서 AI 기반 진단의 신뢰할 수 있는 배포는 검증에 달려 있다. 예측이 조치에 들어가기 전에 물리적 현실과 대조하여 확인할 수 있는지 여부가 그것이다. 현재의 지능형 결함 진단기는 이 기준을 두 가지 방식으로 충족하지 못한다. 표준 출력인 소프트맥스 신뢰도 점수를 동반한 클래스 레이블은 분류기의 내부 통계에 불과하여, 독립적인 물리적 지식과 대조해 확인할 수 있는 것을 제공하지 않는다. 또한 유지보수 보고에 생성형 언어 모델의 사용이 늘면서, 환각된 내용이 의사결정의 근거가 되는 보고서에 유입된다는 두 번째 위험이 추가된다. 본 연구는 베어링 결함 진단을 테스트베드로 삼아, 출력 측면에서 두 문제를 모두 해결한다. 제안하는 Diagnostic Evidence Network(DENet)는 인코더에 구애받지 않는 다중 과제 프레임워크로, 출력을 구조화된 증거 기록으로 확장한다. 여기에는 분류, 베어링 기하와 샤프트 속도로 결정되는 이론값과 비교 가능한 예측 특성 주파수, 그리고 원시 파형에서 검사 가능한 과도적 충격의 시간적 위치 추정이 포함된다. 네 개의 인코더와 세 개의 공개 데이터셋에 걸쳐, 이 증거는 통계적으로 유의미한 정확도 비용을 발생시키지 않으며, 스펙트럼 추정이 구조적으로 적용 불가능한 1,024-포인트 세그먼트에서 약 6 Hz의 주파수 오차를 보인다. 핵심적으로, 예측 주파수와 이론 주파수 간의 편차는 라벨 없는 추론 시점 검증 신호를 구성한다. 이는 AUROC 0.970 및 0.871로 오분류를 검출하며, 신뢰도 기반 검출기가 무력해지는 고신뢰 구간에서도 판별력을 유지한다. 마지막으로, QLoRA로 적응된 언어 모델은 진단 내용을 생성하지 않고 번역만 하도록 제한하여, 근거 없는 주장 비율을 10–12%에서 2%로 낮추고 허구의 수치를 제거한다.

arXiv:2606.26317v1eess.SP공통 태그 Time Series Analysis, Fault Diagnosis

베어링 결함 진단 및 기계 상태 모니터링을 위한 모수화 일반화 적응 모멘트 특징(PG-AMF)

Parametric Generalized Adaptive Moment Features (PG-AMF) for Bearing Fault Diagnosis and Machine Health Monitoring

회전 기계의 롤링 베어링 결함 진단 정확도는 산업 안전 확보와 예측 정비(predictive maintenance)에 필수적이다. 기존 통계적 특징 기반 방법은 사전 정의된 기술자(descriptor)에 의존하며, 고정된 구성과 다양한 결함 조건에 대한 제한된 적응성으로 인해 진단 민감도가 제약된다. 심층 학습 접근법은 강한 표현력을 제공하지만, 높은 데이터 요구량과 해석 가능성 저하로 인해 효과가 종종 제한된다. 본 연구에서는 특징 특성을 수동으로 지정하는 대신 데이터로부터 직접 학습하는 모수화 적응형 특징 추출 프레임워크를 제안한다. 진동 신호로부터 절대 특징(신호 에너지 분포 포착), 부호 모멘트 특징(파형 비대칭성 반영), AC 결합 모멘트 특징(동적 변동 강조) 등 여러 상보적 표현을 추출하고, 다중 센서 채널 간 상호작용은 구조화된 융합 메커니즘을 통해 모델링하여 결함 표현을 강화한다. 제안 방법은 정상 운전 및 여러 결함 유형을 포함한 다섯 가지 건강 상태로 구성된 벤치마크 기어박스 베어링 데이터셋에서 평가되었다. 교차 검증(cross-validation)에서도 일관된 결과가 관찰되어 강한 일반화 능력을 보였으며, 기존 방법 대비 향상된 분류 성능이 확인되었다. 또한 저차원 투영에서 더 뚜렷한 클러스터링 패턴을 통해 향상된 특징 분리성이 입증되었다. 학습된 표현은 광범위한 신호 특성을 효과적으로 포착하여 진단 성능 향상과 산업 모니터링 시스템에서의 실용적 적용 가능성을 모두 뒷받침한다.

arXiv:2610.10850v2cs.LG공통 태그 Time Series Analysis

유사한 예측 적합도와 상이한 잠재 동역학: 뇌 질환 맞춤형 모델에서 학습된 동역학적 구조 특성화

Similar Predictive Fit but Different Latent Dynamics: Characterizing Learned Dynamical Structure in Personalized Models of Brain Disorders

AI 모델이 임상 의사결정 및 맞춤형 치료로 나아감에 따라, 모델이 무엇을 학습하는지 이해하는 것은 단순한 예측 정확도를 넘어 매우 중요합니다. 본 연구에서는 예측 적합도가 유사하더라도 개인화된 잠재 동역학(latent dynamics)이 임상적으로 연관된 차이를 드러내는지 조사합니다. Temple University EEG Corpus(TUEG)로 사전학습된 경량 CNN-트랜스포머(Transformer) 뇌파(EEG) 파운데이션 모델을 사용하여 세그먼트 수준의 표현을 추출합니다. Temple University Epilepsy Corpus(TUEP)를 활용하여 표현들을 공유 잠재 상태 공간으로 매핑하고, 각 피험자에게 독립적으로 희소 다항 로지스틱 전이 분포(mLTD)를 적합하여 개인화된 전이 의존성 그래프 $W_n$을 얻습니다. 분석 대상은 $n{=}198$명의 피험자(뇌전증 99명 / 비뇌전증 99명)입니다. $k{=}4$에서 뇌전증 피험자는 훨씬 더 조밀한 학습된 의존성 구조를 나타내며($p{=}1.1\times10^{-7}$), $k{=}6$에서도 동일한 패턴을 보입니다(19.90 대 13.46; $p{=}5.2\times10^{-5}$). 그래프 유래 특징들은 5-겹 피험자별 교차 검증(cross-validation) 하에서 중간 수준의 집단 구별 능력을 제공합니다($k{=}4$에서 AUROC 0.68; $k{=}6$에서 0.65). 대조적으로, 홀드아웃 로그 가능도(log-likelihood)는 $k{=}4$에서 두 집단 간에 거의 동일하며($-0.992$ 대 $-0.991$; $p{=}0.95$), 다음 상태 예측 역시 유사하게 일치합니다(AUROC 0.855 대 0.861; $p{=}0.54$). 따라서 유사한 예측 적합도가 유사한 학습 동역학을 의미하지는 않습니다. 즉, 개인화된 모델이 학습한 내부 동역학 구조에는 상당한 차이가 있더라도, 두 집단은 대등한 수준으로 예측 가능할 수 있습니다. 이러한 차이는 개인화된 임상 모델에서 예측 성능과 함께 학습된 구조를 평가해야 할 필요성을 시사합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.