深度工业迁移学习在故障预测中的研究综述
机器学习
2023-01-05 v1 人工智能
摘要
由于其概率性质,故障预测是利用大数据进行深度学习的典型用例。然而,此类数据集的低可用性,加上针对工业应用典型的异构和动态环境来拟合、参数化及评估复杂学习算法的高昂代价,常常阻碍该方法的实际应用。使用迁移学习或持续学习方法可实现对新的或动态变化的故障预测场景的自动适应。本文首次对这类方法进行了综述,旨在为未来该领域的研究建立最佳实践。研究表明,该领域缺乏用于稳健比较结果和推动科学进展的通用基准。因此,本文也调研了这些出版物中使用的数据集,以识别适合此类基准场景的候选者。
引用
@article{arxiv.2301.01705,
title = {A Survey on Deep Industrial Transfer Learning in Fault Prognostics},
author = {Benjamin Maschler},
journal= {arXiv preprint arXiv:2301.01705},
year = {2023}
}
备注
11 pages, 3 tables, 1 figure