EdgeFD：面向工业物联网的边缘友好型漂移感知故障诊断系统
机器学习
2023-10-10 v1 人工智能
摘要
工业智能故障诊断（FD）中近期的迁移学习（TL）方法多遵循“预训练与微调”范式以应对由可变工况引发的数据漂移。然而，我们发现该方法易出现灾难性遗忘现象。此外，鉴于现有模型展现出的优异可迁移性，在资源受限的边缘节点上频繁进行模型微调计算开销大且并无必要。本工作中，我们提出针对边缘部署优化的漂移感知权重巩固（DAWC）方法，以缓解工业物联网（IIoT）中频繁数据漂移带来的挑战。DAWC 高效管理多种数据漂移场景，最大限度减少边缘设备上持续模型微调的需求，从而节省计算资源。通过利用分类器置信度检测漂移、并借助衡量概率模型中参数敏感性的工具 Fisher 信息矩阵估计参数重要性，我们引入漂移检测模块与持续学习模块，逐步赋予 FD 模型强大的泛化能力。实验结果表明，所提 DAWC 相较于现有技术取得更优性能，同时确保与边缘计算约束的兼容性。此外，我们开发了完整的诊断与可视化平台。
引用
@article{arxiv.2310.04704,
title = {EdgeFD: An Edge-Friendly Drift-Aware Fault Diagnosis System for Industrial IoT},
author = {Chen Jiao and Mao Fengjian and Lv Zuohong and Tang Jianhua},
journal= {arXiv preprint arXiv:2310.04704},
year = {2023}
}
备注
2023 IEEE The 23rd International Conference on Communication Technology