面向故障诊断的神经架构搜索
机器学习
2020-02-20 v1 信号处理
摘要
数据驱动方法在故障诊断中已取得巨大进展，尤其是深度学习方法。深度学习适于处理大数据，并具有强大的特征提取能力以实现端到端故障诊断系统。然而，设计神经网络架构需要丰富的专业知识与调试经验，且需大量实验筛选模型与超参数，增加了开发深度学习模型的难度。幸运的是，神经架构搜索（NAS）正快速发展，并成为深度学习的下一个方向之一。本文中，我们提出一种使用强化学习的面向故障诊断的NAS方法。一个循环神经网络被用作智能体以生成网络架构。所生成网络在验证数据集上的准确率作为奖励反馈给智能体，并通过策略梯度算法更新智能体参数。我们使用PHM 2009 Data Challenge齿轮箱数据集证明所提方法的有效性，并相比其他人工设计的网络结构取得了最先进（state-of-the-art）结果。据作者所知，这是NAS首次应用于故障诊断。
引用
@article{arxiv.2002.07997,
title = {Neural Architecture Search For Fault Diagnosis},
author = {Xudong Li and Yang Hu and Jianhua Zheng and Mingtao Li},
journal= {arXiv preprint arXiv:2002.07997},
year = {2020}
}