面向旋转机械故障诊断的持续学习：跨域环境与运行变异
机器学习
2025-04-15 v1
摘要
尽管存在众多机器学习模型用于检测如滚动轴承应变和变形等问题，这些问题通常由不当安装、过载或润滑不良引起，但这些模型往往难以从实际运行和环境变异的噪声中隔离故障。变量负荷、高温、应力和旋转速度等条件会遮盖故障的早期迹象，使可靠检测变得具有挑战性。为此，本文提出一种能够跨时间内共享底层结构的域间持续深度学习方法。该方法超越传统准确率指标，针对四个二阶挑战：灾难性遗忘（新学习覆盖旧知识）、缺乏塑性（模型难以适应新数据）、前向迁移（利用过往知识改善未来学习）和后向迁移（用新域见解细化旧知识），提供解决方案。该方法由特征生成器和域特定分类器组成，能够随着新域的出现而增容，同时最小化干扰，经验回放机制选择性回顾先前域以缓解遗忘。此外，利用域间非线性依赖性，优先从先前错误最高的域进行回放，以基于最具信息量的过往经验来细化模型。实验表明，平均域准确率可达 88.96%，在非平稳类别增量环境中遗忘率最低可达 .0027。
引用
@article{arxiv.2504.10151,
title = {Continual learning for rotating machinery fault diagnosis with cross-domain environmental and operational variations},
author = {Diogo Risca and Afonso Lourenço and Goreti Marreiros},
journal= {arXiv preprint arXiv:2504.10151},
year = {2025}
}