面向故障诊断的因果解耦隐马尔可夫模型
机器学习
2023-08-08 v1 计算机视觉与模式识别
信号处理
摘要
在现代工业中，故障诊断已得到广泛应用，其目标是实现预测性维护。故障诊断系统的关键在于提取故障信号的代表性特征，进而准确预测故障类型。本文提出一种因果解耦隐马尔可夫模型（CDHM），以学习轴承故障机理中的因果关系，从而捕获其特征并实现更鲁棒的表示。具体而言，我们充分利用时间序列数据，逐步将振动信号解耦为故障相关与故障无关因子。重新构造ELBO以优化因果解耦马尔可夫模型的学习。此外，为拓展应用范围，我们采用无监督域适应将所学解耦表示迁移至其他工作环境。实验在CWRU数据集与IMS数据集上进行，相关结果验证了所提方法的优越性。
引用
@article{arxiv.2308.03027,
title = {Causal Disentanglement Hidden Markov Model for Fault Diagnosis},
author = {Rihao Chang and Yongtao Ma and Weizhi Nie and Jie Nie and An-an Liu},
journal= {arXiv preprint arXiv:2308.03027},
year = {2023}
}