面向不平衡工业数据的 Uncertainty-Aware Bayesian Meta-Learning Framework for Fault Diagnosis
机器学习
2025-03-18 v1 机器学习
摘要
机械设备故障诊断涉及数据采集、特征提取和模式识别，但常因工业数据不平衡性质而受阻，导致显著的不确定性并降低诊断可靠性。为解决这些挑战，本研究提出了不确定性感知贝叶斯元学习框架（UBMF），该框架集成了四个关键模块：用于增强特征鲁棒性的数据扰动注入、用于提高可迁移性的跨任务自监督特征提取、用于稳健跨域泛化的不确定性基准样本过滤，以及用于细粒度分类的贝叶斯元知识集成。结果表明，在包括跨任务、小样本和未见样本情形等多种不平衡条件下的十个开源数据集的实验，UBMF的性能优于基准，平均提升了42.22%。该集成框架有效提升了诊断准确率、泛化能力和适应性，为复杂工业故障诊断提供了可靠解决方案。
引用
@article{arxiv.2503.11774,
title = {UBMF: Uncertainty-Aware Bayesian Meta-Learning Framework for Fault Diagnosis with Imbalanced Industrial Data},
author = {Zhixuan Lian and Shangyu Li and Qixuan Huang and Zijian Huang and Haifei Liu and Jianan Qiu and Puyu Yang and Laifa Tao},
journal= {arXiv preprint arXiv:2503.11774},
year = {2025}
}