EverAdapt：面向动态机器故障诊断环境的持续适应
机器学习
2024-07-25 v1 人工智能
计算工程、金融与科学
摘要
无监督域适应（UDA）已成为数据驱动故障诊断中的关键解决方案，解决域迁移问题，即模型在变化环境中性能下降。然而，在不断变化的环境下，UDA倾向于在适应新域时对以前看到的域表现下降——这被称为灾难性遗忘。为解决这一局限，我们引入了EverAdapt框架，专为动态环境中的持续模型适应而设计。EverAdapt的核心是一种新型持续批归一化（Continual Batch Normalization, CBN），该方法利用源域统计信息作为参考点来标准化跨域的特征表示。EverAdapt不仅保留来自以前域的统计信息，还能有效适应新情境。除CBN之外，我们设计了一种基于类的域对齐模块，用于有效整合目标域，以及一种样本高效回放策略以强化记忆保持。在真实数据集上的实验表明，EverAdapt在动态环境中保持稳健故障诊断能力方面具有优势。我们的代码已公开：https://github.com/mohamedr002/EverAdapt
引用
@article{arxiv.2407.17117,
title = {EverAdapt: Continuous Adaptation for Dynamic Machine Fault Diagnosis Environments},
author = {Edward and Mohamed Ragab and Yuecong Xu and Min Wu and Yuecong Xu and Zhenghua Chen and Abdulla Alseiari and Xiaoli Li},
journal= {arXiv preprint arXiv:2407.17117},
year = {2024}
}