基于深度变分自编码器的轴承异常检测半监督学习
机器学习
2019-12-10 v2 信号处理
机器学习
摘要
迄今为止，应用于轴承故障诊断的大多数数据驱动方法建立在监督学习范式上，通常需要在事先收集的大量标注数据。然而，在实际应用中，基于实时轴承状态获取准确标签远比使用各种传感器收集海量无标签数据困难。因此，本文提出一种利用基于变分自编码器（VAE）的深度生成模型进行轴承异常检测的半监督学习方法，该方法在仅有一小部分数据带标签时也能有效利用数据集。最后，使用凯斯西储大学（CWRU）轴承数据集和辛辛那提大学智能维护系统中心（IMS）数据集进行了一系列实验。实验结果表明，所提出的半监督学习方案大幅优于两种主流半监督学习方法和一种基线监督卷积神经网络方法，在使用不同比例标注样本时总体准确率提升介于 3% 至 30% 之间。
引用
@article{arxiv.1912.01096,
title = {Semi-Supervised Learning of Bearing Anomaly Detection via Deep Variational Autoencoders},
author = {Shen Zhang and Fei Ye and Bingnan Wang and Thomas G. Habetler},
journal= {arXiv preprint arXiv:1912.01096},
year = {2019}
}