在有限的标记和不平衡的数据下,半监督的对比性故障诊断与不确定性意识和性能导向的适应性值
Qin Zhao1, Yu Ding2, Mingming Gong3
1School of Reliability and Systems Engineering, Beihang University, Beijing 100191, China; Science & Technology on Reliability & Environmental Engineering Laboratory, Beijing 100191, China; Institute of Reliability Engineering, Beihang University, Beijing 100191, China.
ISA transactions
|November 1, 2025
概括
这项研究引入了一种适应性的半监督对比学习方法,用于故障诊断,通过有限的标签和不平衡的数据来提高准确性. 这种新的方法提高了伪标签的质量和阶级歧视,以获得更好的工业诊断.
科学领域:
- 机器学习 机器学习
- 工业故障诊断 产业故障诊断
- 数据科学数据科学数据科学
背景情况:
- 半监督学习 (SSL) 显示出对故障诊断的承诺,但与有限的标记数据和类不平衡作斗争.
- 现实世界的工业场景往往呈现标签稀缺性和不平衡的阶级分布,阻碍了诊断准确性.
- 现有的SSL方法在同时解决这些双重问题时面临挑战.
研究的目的:
- 开发一种适应性的半监督对比学习方法,以提高故障诊断.
- 提高伪标签的质量,并使用自适应值策略指导一致性规范化.
- 通过概率对比学习来提高不平衡数据集中的故障歧视能力.
主要方法:
- 实施了自适应值策略,整合了预测不确定性和诊断性能,以改进伪标签.
- 使用概率学对比学习来增加类间的分离性和类内部的紧性.
- 拟议的方法在有限的标签 (10%) 和高阶级不平衡 (20:1比率) 的条件下对两个公共数据集进行了评估.
主要成果:
- 适应性半监督对比学习方法实现了显著的准确性改进.
- 与最先进的SSL方法相比,观察到5.36%和3.04%的精度增长.
- 该方法在故障诊断方面表现出卓越的性能,标记样本严重有限,类分布高度不平衡.
结论:
- 拟议的适应性半监督对比学习方法有效地解决了故障诊断中的标签稀缺性和类不平衡.
- 适应值和概率对比学习的整合提高了诊断的准确性和稳定性.
- 这种方法在现实世界的工业应用中为可靠的故障诊断提供了显著的进步.
