基于SCAM和DEPS的几次拍摄样本增强算法用于故障诊断
Fengqian Zou1, Shengtian Sang1, Ming Jiang1
1MEMS Center, Harbin Institute of Technology, Harbin 150001, China.
ISA transactions
|August 9, 2023
概括
这项研究引入了一种用于的新型几射击学习故障诊断方法,这在农业和工业中至关重要. 该方法提高了培训数据的质量和数量,即使在有限的现实世界样本上,也显著提高了诊断准确性.
科学领域:
- 工程 工程师 工程师 工程师
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 在农业,工业和军事应用中至关重要,需要强大的故障诊断.
- 现有的故障分类模型在很大程度上依赖于大型数据集,在现实世界中很难获得这些数据集.
- 故障诊断模型的性能通常与训练数据的数量相关.
研究的目的:
- 为系统开发一种有效的几次学习故障诊断方法.
- 为了应对故障分类中有限的现实世界数据的挑战.
- 为了提高故障诊断的准确性和可靠性.
主要方法:
- 域迁移理论和样本扩展技术的整合.
- 开发用于故障诊断的一些射击学习框架.
- 使用T-SNE可视化算法来验证自我校准注意力机制 (SCAM) 和分布边缘预测策略 (DEPS).
主要成果:
- 拟议的算法成功地映射了扩展的样本空间,防止了类似类别之间的特征别名.
- 在培训样本的质量和数量方面都取得了显著的改善.
- 该方法显示了几次射击任务准确度的显著提高,在9路15次射击任务中达到72%,大约比其他方法高出30%.
结论:
- 开发的几次射击学习方法有效地提高了有限数据的故障诊断准确度.
- 这种方法显示出强大的潜力,可用于各种几次射击诊断场景.
- 这项工作为数据稀缺的故障诊断挑战提供了可行的解决方案.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.7K
09:04A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump
Published on: June 1, 2022
3.1K
