面向故障诊断的领域自适应迁移学习
机器学习
2019-05-16 v1 机器学习
应用统计
摘要
得益于机群中工业资产的数字化，将故障诊断模型从一台机器迁移到另一台机器的宏伟目标引起了极大关注。解决这些领域自适应迁移学习任务，有望大幅节省为同一机群中新机器手动标注数据和修改模型的工作。尽管数据驱动方法在故障诊断应用中展现出巨大潜力，但由于其倾向于在现实中过拟合训练集，它们在新机器和新工况下的泛化能力有限。一个有前景的解决方案是使用领域自适应技术。其旨在提升模型在目标新机器上的性能。受其在计算机视觉中成功应用的启发，我们将领域对抗神经网络（DANN）引入我们的场景，同时引入先前故障诊断研究中存在的另外两种流行方法。随后我们仔细论证了这些方法在真实故障诊断设置中的适用性，并提供了一个统一的实验协议，以便在故障诊断问题的领域自适应方法之间进行公平比较。
引用
@article{arxiv.1905.06004,
title = {Domain Adaptive Transfer Learning for Fault Diagnosis},
author = {Qin Wang and Gabriel Michau and Olga Fink},
journal= {arXiv preprint arXiv:1905.06004},
year = {2019}
}
备注
Presented at 2019 Prognostics and System Health Management Conference (PHM 2019) in Paris, France