利用深度神经网络的不确定性信息检测与诊断建筑早期故障
机器学习
2019-02-19 v1 系统与控制
机器学习
摘要
早期故障的早期检测对于降低维护成本、节约能源和提升建筑内居住者舒适度至关重要。深度神经网络等流行的监督学习模型因能直接从标记故障数据中学习而被认为大有前景；然而，众所周知，监督学习方法的表现高度依赖于标记训练数据的可用性与质量。在故障检测与诊断（FDD）应用中，标记早期故障数据的缺乏对这些监督学习技术在商业建筑中的应用构成了主要挑战。为克服该挑战，本文提出使用蒙特卡洛 dropout（MC-dropout）来增强监督学习流程，使所得神经网络能够检测并诊断未见的早期故障样本。我们还在 RP-1043 数据集上检验了所提 MC-dropout 方法，以证明其在指示最可能的早期故障类型方面的有效性。
引用
@article{arxiv.1902.06366,
title = {Detecting and Diagnosing Incipient Building Faults Using Uncertainty Information from Deep Neural Networks},
author = {Baihong Jin and Dan Li and Seshadhri Srinivasan and See-Kiong Ng and Kameshwar Poolla and Alberto~Sangiovanni-Vincentelli},
journal= {arXiv preprint arXiv:1902.06366},
year = {2019}
}