基于自监督学习与联邦学习最大化机器状态监测模型的泛化能力
机器学习
2023-09-25 v2 信号处理
摘要
深度学习（DL）能够从原始状态监测数据中诊断故障并评估机器健康状态，而无需手动设计的统计特征。然而，实际制造应用对现有 DL 方法而言仍极为困难。机器数据通常是未标注的，且来自极少的健康状态（例如仅有正常运行数据）。此外，随着工艺参数变化和新类别故障出现，模型常遇到域偏移。传统监督学习可能难以学习紧凑、判别性的表示以泛化到这些未见目标域，因为它依赖于拥有丰富类别以用决策边界划分特征空间。带域适应的迁移学习（TL）试图将这些模型适配到未标注目标域，但假设了可能在新故障出现时并不存在的相似底层结构。本研究提出聚焦于在源域上最大化特征通用性，并通过权重转移的 TL 将模型复制到目标域。具体而言，Barlow Twins 自监督学习（SSL）通过关注数据的语义属性，可能比监督学习产生更具判别性的特征用于监测健康状态。此外，用于分布式训练的联邦学习（FL）也可以通过跨多个客户端机器共享信息，高效扩展训练数据的有效规模与多样性，从而改善泛化。结果表明，当源训练数据包含极少不同类别时，在出现电机故障的未标注目标域中，Barlow Twins 优于监督学习。引入 FL 也可能通过在不同机器间扩散健康状态知识而提供些许优势。
引用
@article{arxiv.2304.14398,
title = {Maximizing Model Generalization for Machine Condition Monitoring with Self-Supervised Learning and Federated Learning},
author = {Matthew Russell and Peng Wang},
journal= {arXiv preprint arXiv:2304.14398},
year = {2023}
}