基于元学习的滚动轴承早期故障检测：一种少样本异常检测方法
机器学习
2023-03-02 v2
摘要
滚动轴承的早期故障检测（EFD）能够识别健康状态的微小偏差，有助于机械系统的稳定性。在实践中，可用于进行早期故障检测的目标轴承数据非常有限，这使得适应新轴承的早期故障检测任务变得困难。为了解决这个问题，许多基于迁移学习的早期故障检测方法利用历史数据来学习可迁移的领域知识，并对新的目标轴承进行早期故障检测。然而，大多数现有方法只考虑了不同工况下的分布漂移，而忽略了相同工况下不同轴承之间的差异，这被称为单元间变异性（UtUV）。在考虑单元间变异性的情况下，利用有限目标数据进行早期故障检测的设置可以被形式化为一个少样本异常检测任务。因此，本文提出了一种基于元学习并考虑单元间变异性的新型早期故障检测方法。所提出的方法可以基于关系网络（RN）学习一个通用度量，用于衡量正常数据与新到达的目标轴承数据之间的相似性。此外，该方法利用健康状态嵌入策略来减少误报。在两个轴承数据集上测试了所提出方法的性能。结果表明，所提出的方法能够比基线方法更早地检测到早期故障，且误报率更低。
引用
@article{arxiv.2204.12637,
title = {Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection},
author = {Wenbin Song and Di Wu and Weiming Shen and Benoit Boulet},
journal= {arXiv preprint arXiv:2204.12637},
year = {2023}
}
备注
The results require to be updated