面向电动机故障诊断的基础模型
系统与控制
2023-08-01 v1 人工智能
机器学习
系统与控制
摘要
近期与电动机故障诊断相关的大部分进展基于训练与测试数据同分布的假设。然而，在电动机真实运行场景中，数据分布在不同工况下可能变化。因此，该假设限制了现有故障诊断研究的实际部署，因其依赖覆盖所有工况的完全标注训练数据且假设分布一致。这是因为为多种机器在不同故障情形与运行场景下获取大量标注样本可能不可行。为克服上述局限，本文提出一个开发电动机故障诊断基础模型的框架。其包含构建基于神经网络的主干，利用自监督学习习得高层特征，随后微调主干以实现特定目标。此方法的主要优势在于，相比传统监督学习，主干可用极少训练数据微调以达成广泛目标任务。实证评估表明，所提方法通过微调主干不仅在各类故障场景或工况间，也在不同机器间取得超 90% 分类准确率，从而证明了其有效性。这展示了该方法在真实应用中跨机器故障诊断任务上的良好潜力。
引用
@article{arxiv.2307.16891,
title = {Foundational Models for Fault Diagnosis of Electrical Motors},
author = {Sriram Anbalagan and Deepesh Agarwal and Balasubramaniam Natarajan and Babji Srinivasan},
journal= {arXiv preprint arXiv:2307.16891},
year = {2023}
}
备注
7 pages, 1 figure, 5 tables, submitted to IEEE PESGRE 2023