故障预测中深度工业迁移学习调查
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力,通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题,同时降低了深度学习模型设计和实现的复杂度。
Jul, 2023
介绍了迁移学习和持续学习的概念,综述了工业深度迁移学习的应用方法,包括计算机视觉等领域已达到最新技术水平的方法,以及其他领域如故障预测刚刚起步。提出了基于工业迁移学习应用的基本用例,并强调了将持续学习和迁移学习结合起来,以满足工业自动化领域对强鲁棒性学习算法的需求。
Dec, 2020
本文评估了应用深度学习于 Prognostics 和 Health Management(PHM)领域,用于检测、诊断和预测复杂工业资产故障的现状、挑战、潜在解决方案和未来研究需求。
May, 2020
本文介绍了一种基于 BIRCH 聚类算法的传输案例选择机制,通过对聚类算法的调查,可以得出这种选择机制可以在不考虑顺序、大小和数据集的维数的前提下,提高传输结果的适用性,并在一个离散制造场景的工业时间序列数据集上进行了评估。
Apr, 2022
该研究介绍了两个将混合(对数)位置 - 尺度分布与深度学习相结合的预测模型,以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战,并验证了这些模型相对于现有方法的卓越性能。
May, 2024
本文综述了使用不同类型的机器学习方法检测和诊断各种类型的机械故障的文章,突出了其优势和限制,回顾了用于基于条件的分析的方法,全面讨论了现有的机械故障数据集,并介绍了未来研究人员在使用这些方法进行 MFD 时可能遇到的挑战,并推荐可能的解决方案,同时指出了未来的研究前景,以促进该领域的进一步发展。
May, 2024
本研究提出一种个性化联邦学习框架,使用联邦聚类方法将具有相似振动特征数据的不同工厂旋转机器进行分类,并通过多任务深度学习模型进行异构信息融合进行多任务故障诊断,最终采用自适应分级汇聚策略解决不同机器之间的数据异构性问题。案例研究验证了所提出的框架的有效性,特别对于那些故障样本匮乏的机器,使用所提出的个性化联邦学习可以显著提高诊断精度。
Nov, 2022