基于监督对比知识蒸馏的有限故障数据下类增量故障诊断
机器学习
2025-01-22 v2 人工智能
摘要
类增量故障诊断要求模型在适应新故障类别的同时保留先前知识。然而，针对不平衡和长尾数据的研究仍然有限。从少样本故障数据中提取判别性特征具有挑战性，且添加新故障类别通常需要昂贵的模型重训练。此外，现有方法的增量训练面临灾难性遗忘的风险，严重的类别不平衡会使模型的决策偏向正常类别。为了解决这些问题，我们引入了一种用于类增量故障诊断的监督对比知识蒸馏框架，提出监督对比知识蒸馏以提升表示学习能力并减少遗忘，提出一种用于样本回放的新型优先样本选择方法以缓解灾难性遗忘，并采用随机森林分类器以解决类别不平衡问题。在多种不平衡比例下的模拟和真实工业数据集上的大量实验证明了 SCLIFD 相对于现有方法的优越性。我们的代码可在 https://github.com/Zhang-Henry/SCLIFD_TII 找到。
引用
@article{arxiv.2501.09525,
title = {Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation},
author = {Hanrong Zhang and Yifei Yao and Zixuan Wang and Jiayuan Su and Mengxuan Li and Peng Peng and Hongwei Wang},
journal= {arXiv preprint arXiv:2501.09525},
year = {2025}
}