面向智能故障诊断的跨域自适应快速学习机制
机器学习
2021-11-09 v2 机器学习
摘要
为实验室案例机器训练的故障诊断模型在变工况运行的工业机器上表现不佳。对于此类机器的每种新工况，都必须重新训练一个新的诊断模型，这是一个耗时且不经济的过程。因此，我们提出了一种快速学习机制，可将现有诊断模型转化为适用于不同工况下工业机器的新型模型。所提方法采用 Net2Net 变换，随后进行微调，以抵消或最小化新数据与旧数据之间的最大均值差异。该模型的微调仅需极少量带标签目标样本和极少训练迭代次数。因此，所提方法能够快速学习新的目标数据模式。所提故障诊断方法的有效性已在凯斯西储大学数据集、智能维护系统轴承数据集和帕德博恩大学数据集上于广泛变化的工况下得到验证。已证实，在人工损坏故障数据集上训练的诊断模型可用于快速训练针对真实损坏数据集的另一模型。
引用
@article{arxiv.2103.08889,
title = {Quick Learning Mechanism with Cross-Domain Adaptation for Intelligent Fault Diagnosis},
author = {Arun K. Sharma and Nishchal K. Verma},
journal= {arXiv preprint arXiv:2103.08889},
year = {2021}
}
备注
9 pages, 6 figures, transaction