基于不可见运行条件下故障诊断的镜像引导测试时适应
信号处理
2026-05-22 v1
摘要
在现代工业系统中，机器经常在动态环境下运行，负载和速度持续变化。因此，深度学习基于故障诊断模型在不可见运行条件下常常因复杂数据分布迁移而严重性能下降。由于现有方法主要依赖静态离线训练，缺乏对持续变化的动态适应能力。为此提出一种集成框架，结合离线域泛化 (DG) 和在线测试时适应 (OTTA)。初始通过对抗学习提取域无关特征获得具有初步泛化能力的模型。在在线阶段，开发了双记忆回放机制。通过选择性存储高置信度的在线伪标记样本并与历史离线数据一起回放，模型促进对变化数据分布的适应并帮助减少先前学习知识的遗忘。在真实世界的电动机数据集实验中显示，所提方法在所考虑的不可见运行条件下实现了竞争性能。
引用
@article{arxiv.2605.22028,
title = {Replay-guided Test-time Adaptation for Fault Diagnosis Under Unseen Operating Conditions},
author = {Yakun Wang and Pengyu Han and Zeyi Liu and Xiao He and Dongming Cai and Hongshuo Zhao},
journal= {arXiv preprint arXiv:2605.22028},
year = {2026}
}
备注
6 pages, 2 figures