Robust Multimodal Fusion for Audio–Vibration–Current Signals Using Cross-Attention with Missing-Modality Handling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the domain of Industry 4.0 and the Industrial Internet of Things (IIoT), the reliability of predictive maintenance systems relies heavily on the accurate interpretation of multisensor data. While conventional fault diagnosis frameworks often utilize single-modality signals, the fusion of heterogeneous data sources—specifically Audio, Vibration, and Current (AVC)—offers a more comprehensive representation of machinery health states. However, the practical deployment of such multimodal systems is frequently hindered by sensor malfunctions, transmission errors, or environmental noise, leading to missing or corrupted modalities. This paper presents a novel deep learning architecture, the AVC-FusionNet, which employs a robust cross-attention mechanism designed to dynamically weigh the importance of each modality while explicitly handling missing data scenarios. By integrating Motor Current Signature Analysis (MCSA) with acoustic and vibrational features, our approach captures complex inter-signal correlations that unimodal systems overlook. We introduce a specialized Modality Dropout training strategy that simulates sensor failure, forcing the network to learn resilient representations. Extensive experiments on a rigorous synthetic and real-world industrial dataset demonstrate that the proposed method outperforms state-of-the-art fusion techniques, maintaining high classification accuracy even when one or more modalities are entirely absent.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle