通过课程元学习利用辅助任务相关性增强轴承故障诊断
机器学习
2024-12-05 v2
摘要
准确诊断机器故障对于维护智能制造中的运行安全至关重要。尽管深度学习在自动化故障识别方面展现出潜力，但标注训练数据的稀缺，尤其是设备故障实例的稀缺，构成了重大挑战。这一限制阻碍了鲁棒分类模型的开发。现有方法如与模型无关的元学习（MAML）未能充分解决工作条件可变的问题，从而影响了知识迁移。为了应对这些挑战，受人类认知学习过程的启发，本文提出了一种相关任务感知课程元学习（RT-ACM）增强故障诊断框架。RT-ACM 通过考虑辅助传感器工作条件的相关性来改进训练，遵循“对更相关的知识给予更多关注”的原则，并侧重于“先易后难”的课程采样。这种方法有助于元学习器实现更优的收敛状态。在两个真实世界数据集上的大量实验证明了 RT-ACM 框架的优越性。
引用
@article{arxiv.2410.20351,
title = {Leveraging Auxiliary Task Relevance for Enhanced Bearing Fault Diagnosis through Curriculum Meta-learning},
author = {Jinze Wang and Jiong Jin and Tiehua Zhang and Boon Xian Chai and Adriano Di Pietro and Dimitrios Georgakopoulos},
journal= {arXiv preprint arXiv:2410.20351},
year = {2024}
}