迁移学习在预测与健康管理中的应用
机器学习
2020-07-07 v1 机器学习
摘要
传感与计算技术的进步、人机交互框架的发展、大数据存储能力，以及云存储与云计算的出现，导致了现代工业中数据的极大丰富。这种数据的可得性促使研究人员与工业界从业者比以往更依赖于基于数据的机器学习，尤其是深度学习模型，用于故障诊断与预测。这些模型提供了独特优势，然而其性能严重依赖于训练数据以及该数据对测试数据的代表程度。这一问题要求在运行条件或设备发生微小变化时对模型进行微调甚至从头训练。迁移学习是一种可通过保留从先前训练中学到的部分内容并将其迁移到新应用来缓解此问题的方法。本文给出了迁移学习及其不同类型的统一定义，详细综述了已使用迁移学习的预测与健康管理（PHM）研究，最后对迁移学习的应用考量与差距进行了讨论，以提升迁移学习在 PHM 中的适用性。
引用
@article{arxiv.2007.01965,
title = {On the application of transfer learning in prognostics and health management},
author = {Ramin Moradi and Katrina M. Groth},
journal= {arXiv preprint arXiv:2007.01965},
year = {2020}
}
备注
8 pages, 3 figures, submitted to the annual conference of the prognostics and health management society 2020