SRTFD：通过在线持续学习实现可扩展实时故障诊断
机器学习
2024-08-13 v1 人工智能
摘要
故障诊断 (FD) 对于通过检测系统异常来维持运行安全和最小化经济损失至关重要。近年来，基于深度学习 (DL) 的故障诊断方法受到广泛关注，通过利用大量数据集和先进的 DL 模型在精度和适应性方面提供了显著改进。然而，现代工业环境要求故障诊断方法能够处理新型故障类型、动态条件、大规模数据，并以最少的先验信息提供实时响应。尽管在线持续学习 (OCL) 通过使 DL 模型能够从流数据中持续学习展现出潜力，但它面临数据冗余、不平衡和标注数据有限等挑战。为克服这些局限性，我们提出了 SRTFD，一个可扩展的实时故障诊断框架，通过三种关键方法增强 OCL：回溯核心集选择 (RCS)，选择最相关的数据以减少冗余训练并提高效率；全局平衡技术 (GBT)，确保核心集选择平衡且模型性能稳健；以及置信度与不确定性驱动的伪标签学习 (CUPL)，利用无标注数据更新模型以实现持续适应。在真实世界数据集和两个公开仿真数据集上的大量实验证明了 SRTFD 的有效性及其为现代工业系统提供先进、可扩展且精确故障诊断的潜力。
引用
@article{arxiv.2408.05681,
title = {SRTFD: Scalable Real-Time Fault Diagnosis through Online Continual Learning},
author = {Dandan Zhao and Karthick Sharma and Hongpeng Yin and Yuxin Qi and Shuhao Zhang},
journal= {arXiv preprint arXiv:2408.05681},
year = {2024}
}