通过Tensor原型对齐,为智能工艺制造提供零射击故障诊断
IEEE transactions on neural networks and learning systems
|March 18, 2024
概括
本研究介绍了MetaEvolver,这是一个用于工艺制造过程中零射击故障诊断的新框架. 它增强了识别未见故障的能力,提高了智能制造环境中的准确性和通用性.
科学领域:
- 工艺制造 工艺制造 制造业
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 识别看不见的故障对于工艺制造中的数字化转型至关重要.
- 由于有限的概括性,现有的方法与未见的缺陷作斗争.
- 传统的零射击识别在动态制造场景中表现不佳.
研究的目的:
- 为工艺制造开发基于张量器的零射击故障诊断框架 (MetaEvolver).
- 为了提高故障诊断的准确性,并将其推广到未见的故障领域.
- 在动态和未见故障场景中解决当前方法的局限性.
主要方法:
- 提出了不确定元域的概念,并以类级属性为指导构建了样本原型.
- 开发了一个基于张量器的框架 (MetaEvolver) 用于演化的双原型分布.
- 采用了一种策略,从另一种模式注入原型分发信息,以增强对齐.
- 利用设计的损失函数用于知识传输和未见域泛化.
主要成果:
- 在五个工艺制造数据集中,MetaEvolver在零射击故障诊断方面展示了卓越的性能.
- 实现了对未见故障识别的准确性和通用性的显著改进.
- 在五个零射击基准上验证了框架的潜力.
结论:
- 在智能工艺制造中,MetaEvolver为零射击故障诊断提供了强大的解决方案.
- 该框架有效地处理未见的故障,并增强域名通用性.
- 这种基于张数的方法显示出极大的优越性和实际应用的潜力.


