Дополнительный материал
FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model
ID исходника: I2-SCI-0011. Слой: iteration2-v0.1.
Проекция исходной записи для навигации. Принятие исследовательского выпуска не подтверждает автоматически каждое утверждение. Каноническая запись — найти по ID.
Содержание и границы
Вывод работы: Авторы (CentraleSupélec) предлагают архитектуру FreqCondNorm — трансформер с нормализацией, обусловленной частотой дискретизации сигнала (FiLM-слой вместо LayerNorm), что позволяет объединить в одной модели сигналы с частотами, различающимися на пять порядков. Модель, названная авторами «в стиле foundation model» (но не foundation model в полном смысле — корпус предобучения скромный, 5 датасетов), достигает 99,2% точности на CWRU (+6,4 п.п. к сильной CNN-базовой модели) и 82,1% точности в режиме zero-shot на датасете MFPT, не видимом при предобучении. При этом на задаче прогноза остаточного ресурса (RUL) предобучение не улучшает результат по сравнению с базовой моделью без предобучения — авторы объясняют это несоответствием задачи предобучения (masked auto-encoding + contrastive) целевой RUL-задаче.
Объём чтения: full_text
transfer_limits: Все данные — публичные лабораторные датасеты с искусственно вызванными дефектами (CWRU, MFPT, UOC18, PRONOSTIA, CMAPSS), а не сигналы с реального промышленного оборудования в эксплуатации; авторы прямо пишут, что распределения таких данных расходятся с реальными условиями эксплуатации. Модель не улучшает прогноз остаточного ресурса (RUL) — то есть выигрыш ограничен задачами диагностики/классификации неисправностей и не переносится на все задачи PdM. Корпус предобучения (5 датасетов) авторы сами называют «скромным» относительно типичного масштаба foundation-моделей.
Продолжение: Следить за публикацией версии с реальными промышленными (не лабораторными) сигналами и за рецензируемой версией.