基于深度变分自编码器的隐式监督用于新兴故障类型的故障检测与分割
机器学习
2020-10-01 v2 机器学习
摘要
安全关键系统的数据驱动故障诊断常面临训练时完全缺乏与故障系统状态（即故障类型）相关的标注数据的挑战。由于在部署期间可能出现未知数量和性质的故障类型，该场景下的数据驱动故障诊断是一个开集学习问题。大多数开集诊断算法是一类分类和无监督算法，未在学习算法中利用所有可用的标注与未标注数据。因此，它们的故障检测与分割性能（即识别并分离不同类故障）是次优的。本工作中，我们提出用标注和未标注样本训练变分自编码器（VAE），同时对健康状态的潜表示施加隐式监督。这结合 VAE 的改进采样过程，创造出紧凑且信息丰富的潜表示，可使用现有的一类分类与聚类算法良好地检测和分割未见故障类型。我们将所提方法称为“知识诱导变分自编码器与自适应采样”（KIL-AdaVAE）。所提方法的故障检测与分割能力在一个新的仿真案例研究中得到展示，该案例采用 Advanced Geared Turbofan 30000 (AGTF30) 动力学模型并处于真实飞行条件下。在广泛对比中，我们证明所提方法优于其他学习策略（监督学习、带嵌入的监督学习以及半监督学习）和深度学习算法，在故障检测与故障分割上取得显著性能提升。
引用
@article{arxiv.1912.12502,
title = {Implicit supervision for fault detection and segmentation of emerging fault types with Deep Variational Autoencoders},
author = {Manuel Arias Chao and Bryan T. Adey and Olga Fink},
journal= {arXiv preprint arXiv:1912.12502},
year = {2020}
}
备注
22 pages, 9 Figures