PNN：一种用于小数据集约束下旋转机械故障分类的新型渐进神经网络
机器学习
2025-03-25 v1
摘要
旋转机械故障检测是一项复杂任务，尤其是在小且异构数据集情形下。传感器布局、机械配置以及结构差异进一步增加了问题的复杂性。常规深度学习方法往往需要大量均匀的数据集，限制了其在数据稀缺工业环境中的适用性。虽然迁移学习和少样本学习显示出潜力，但它们往往受限于需要大量故障数据集。本研究引入一个统一框架，利用新颖的渐进神经网络 (PNN) 架构以应对这些挑战。PNN 依次估计更高阶数的固定大小精炼特征，借助先前估计的特征并将其追加到特征集合中。此固定大小特征输出控制了 PNN 的复杂度，使其适用于从小数据集中有效学习。通过在八个数据集上验证框架的有效性，其中包括六个开源数据集、一个仿真故障数据集以及一个真实工业数据集。PNN 在不同数据集大小和机械类型下的故障检测方面实现了最佳性能，凸显了卓越的泛化和分类能力。
引用
@article{arxiv.2503.18263,
title = {PNN: A Novel Progressive Neural Network for Fault Classification in Rotating Machinery under Small Dataset Constraint},
author = {Praveen Chopra and Himanshu Kumar and Sandeep Yadav},
journal= {arXiv preprint arXiv:2503.18263},
year = {2025}
}