基于注意力机制的动态半监督联合学习缺陷诊断方法
Shun Liu1, Funa Zhou1, Shanjie Tang1
1School of Logistic Engineering, Shanghai Maritime University, Shanghai 201306, China.
Entropy (Basel, Switzerland)
|October 28, 2023
概括
本研究引入了一种具有注意力机制 (SSFL-ATT) 的动态半监督联合学习方法,以提高未标记数据集中的故障诊断准确性. SSFL-ATT有效过不可靠的数据,在复杂的工业场景中提高性能.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 工业故障诊断 产业故障诊断
背景情况:
- 无监督学习在完全没有标签的数据上努力进行准确的故障诊断.
- 现有的半监督联合学习方法可能会因为未标记客户端的不可靠信息而遭受负面转移.
研究的目的:
- 提出一个动态的半监督联合学习故障诊断方法 (SSFL-ATT),防止负面转移.
- 在联合学习框架内增强未标记客户端的故障分类能力.
主要方法:
- 开发了一种动态的半监督联合学习方法,包括注意力机制 (SSFL-ATT).
- 实施了一种由注意力机制驱动的新型联邦战略,以过不可靠的本地模式信息.
主要成果:
- 在联邦模式中,SSFL-ATT有效地防止了负转移.
- 与现有方法相比,取得了显著的准确性改进:9.06% (Case Western Reserve大学数据集) 和12.53% (上海海事大学数据集).
结论:
- 拟议的SSFL-ATT方法提高了半监督联合学习场景中的故障诊断准确性和可靠性.
- 这种方法使得即使使用未标记的客户端数据,也能有效地进行故障分类,性能优于当前的方法.
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
03:31Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
565
