基于模型无关元学习的少样本轴承故障诊断
机器学习
2021-06-25 v4 机器学习
摘要
人工智能和深度学习的快速发展为工业信息物理系统（CPS）的安全性、稳定性和准确性的进一步提升提供了许多机遇。作为许多关键任务CPS资产和设备中不可或缺的部件，机械轴承需要被监测以识别任何异常状态的迹象。迄今为止，大多数应用于轴承故障诊断的数据驱动方法都是使用预先收集的大量故障数据进行训练的。然而，在许多实际应用中，为每种故障类别收集足够的数据样本可能不安全且耗时，这使得训练一个鲁棒的分类器变得具有挑战性。本文提出了一种基于模型无关元学习（MAML）的少样本学习框架用于轴承故障诊断，旨在利用有限的数据训练一个有效的故障分类器。此外，它能够利用训练数据，并更高效地学习识别新的故障场景。关于泛化到新人工故障的案例研究表明，所提出的框架总体准确率比基于孪生网络的基准研究高出高达25%。最后，通过将其应用于利用人工损伤数据识别真实轴承损伤，进一步验证了所提框架的鲁棒性和泛化能力，在一致的测试环境下，其性能优于6种最先进的少样本学习算法。
引用
@article{arxiv.2007.12851,
title = {Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning},
author = {Shen Zhang and Fei Ye and Bingnan Wang and Thomas G. Habetler},
journal= {arXiv preprint arXiv:2007.12851},
year = {2021}
}