一种半监督的高斯混合变异自编码方法,用于几次射击细粒度故障诊断
Zhiqian Zhao1, Yeyin Xu2, Jiabin Zhang1
1School of Mechatronics Engineering, Harbin Institute of Technology, Harbin, Heilongjiang 150000, PR China.
概括
这项研究引入了SeGMVAE,这是一种用于细粒度机械故障诊断的新型半监督方法. 它通过学习可转移的表示方式,有效地使用有限的标记数据识别新的故障,这对于工程应用至关重要.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 为基于深度学习的机械故障诊断采购标记的故障样本是具有挑战性的.
- 由于有限的注释数据,传统方法难以识别细粒度的故障原因.
研究的目的:
- 提出一种新的半监督高斯混合变量自编码器 (SeGMVAE),用于可转移的,细粒度的故障诊断表示.
- 为了使用最小的标记样本来识别以前未见的故障.
主要方法:
- 引入高斯混合物作为变量自编码器的多式先驱,通过预期最大化 (EM) 进行优化.
- 采用一套变异后方方法将样品编码到潜伏空间,以促进元学习.
- 利用半监督的EM集成标记数据来诊断看不见的故障.
主要成果:
- 在发现新的细粒度故障方面,SegMVAE表现出卓越的表现.
- 在不同机器的跨域故障诊断中取得了出色的性能.
- 该方法有效地学习可跨诊断任务转移的无监督表示.
结论:
- 在有限的标记数据下,SEGMVAE为细粒度机械故障诊断提供了强大的解决方案.
- 提出的方法显示了提高工程中故障诊断系统的可靠性和适应性的巨大潜力.
- 开发的方法有助于识别新的和未见的故障类型.
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
1.6K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.0K
