学习更好地看见未见之物：面向增量式零样本故障诊断的宽-深混合抗遗忘框架
机器学习
2024-03-22 v1 人工智能
摘要
零样本故障诊断（ZSFD）能够通过预测由人类专家标记的故障属性来识别未见故障。我们首先认识到 ZSFD 需要应对工业过程中的持续变化，即模型适应新故障类别和属性的能力，同时避免遗忘先前学到的诊断能力。为克服现有 ZSFD 范式无法从工业场景中不断演化的训练数据流中学习的问题，我们首次提出了增量式 ZSFD（IZSFD）范式，该范式将类别增量和属性增量同时纳入传统 ZSFD 和广义 ZSFD 范式。为实现 IZSFD，我们提出了一个宽-深混合抗遗忘框架（BDMAFF），旨在从新的故障类别和属性中学习。为解决遗忘问题，BDMAFF 从特征和属性原型两个角度有效积累先前获取的知识。特征记忆通过一个采用抗遗忘训练策略的深度生成模型建立，确保历史类别的生成质量得到监督和维护。诊断模型借助生成模型产生的样本“看见未见故障”。属性原型记忆则通过一个受宽度学习系统启发的诊断模型建立。与传统的增量学习算法不同，BDMAFF 为诊断模型引入了一种记忆驱动的迭代更新策略，使其无需存储所有历史训练样本即可学习新故障和属性。所提方法的有效性在一个真实的液压系统和田纳西-伊斯曼基准过程上得到了验证。
引用
@article{arxiv.2403.13845,
title = {Learning to better see the unseen: Broad-Deep Mixed Anti-Forgetting Framework for Incremental Zero-Shot Fault Diagnosis},
author = {Jiancheng Zhao and Jiaqi Yue and Chunhui Zhao},
journal= {arXiv preprint arXiv:2403.13845},
year = {2024}
}