通过嵌入知识的多尺度神经过程实现可扩展且可靠的智能故障检测深度迁移学习
机器学习
2024-02-21 v1 人工智能
摘要
深度迁移学习（DTL）是智能故障检测（IFD）领域的基本方法。其旨在缓解因训练集（源域）和测试集（目标域）之间数据分布差异而导致的方法性能下降。考虑到故障数据收集困难且某些故障稀缺的事实，基于 DTL 的方法面临可用观测数据有限的限制，从而降低了方法在目标域中的检测性能。此外，基于 DTL 的方法缺乏构建可靠 IFD 系统所必需的综合不确定性分析。为解决上述问题，本文提出了一种名为基于神经过程的图卷积网络深度迁移学习（GTNP）的新型 DTL 方法。GTNP 的基于特征的迁移策略在高维空间中桥接了源域和目标域的数据分布差异。基于全局和局部潜变量的联合建模以及稀疏采样策略减少了对目标域中观测数据的需求。通过利用全局和局部潜变量的分布特征，获得了多尺度不确定性分析。不确定性的全局分析使 GTNP 能够提供反映方法复杂度和任务难度的定量值。不确定性的局部分析允许 GTNP 对受噪声和偏差影响的每个样本的故障检测结果的不确定性（置信度）进行建模。在 3 个 IFD 任务上对 proposed 方法进行了验证，一致显示 GTNP 相较于其他基于 DTL 的方法具有更优越的检测性能。
引用
@article{arxiv.2402.12729,
title = {Scalable and reliable deep transfer learning for intelligent fault detection via multi-scale neural processes embedded with knowledge},
author = {Zhongzhi Li and Jingqi Tu and Jiacheng Zhu and Jianliang Ai and Yiqun Dong},
journal= {arXiv preprint arXiv:2402.12729},
year = {2024}
}