Domain Adaptive Transfer Learning for Fault Diagnosis

计算机科学 过度拟合 人工智能 机器学习 领域(数学分析) 断层(地质) 学习迁移 背景(考古学) 域适应 数字化 适应(眼睛) 人工神经网络 集合(抽象数据类型) 数学分析 程序设计语言 地震学 古生物学 地质学 物理 光学 分类器(UML) 生物 数学 计算机视觉
作者
Qin Wang,Gabriel Michau,Olga Fink
标识
DOI:10.1109/phm-paris.2019.00054
摘要

Thanks to digitization of industrial assets in fleets, the ambitious goal of transferring fault diagnosis models from one machine to the other has raised great interest. Solving these domain adaptive transfer learning tasks has the potential to save large efforts on manually labeling data and modifying models for new machines in the same fleet. Although data-driven methods have shown great potential in fault diagnosis applications, their ability to generalize on new machines and new working conditions are limited because of their tendency to overfit to the training set in reality. One promising solution to this problem is to use domain adaptation techniques. It aims to improve model performance on the target new machine. Inspired by its successful implementation in computer vision, we introduced Domain-Adversarial Neural Networks (DANN) to our context, along with two other popular methods existing in previous fault diagnosis research. We then carefully justify the applicability of these methods in realistic fault diagnosis settings, and offer a unified experimental protocol for a fair comparison between domain adaptation methods for fault diagnosis problems.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
CodeCraft应助hhhh采纳,获得10
刚刚
眉宇方舟完成签到,获得积分10
刚刚
1秒前
zho发布了新的文献求助10
1秒前
白瓜完成签到 ,获得积分10
2秒前
万莎莎发布了新的文献求助30
2秒前
小巧蛋挞发布了新的文献求助10
2秒前
LaiC发布了新的文献求助10
4秒前
执着幻桃完成签到,获得积分10
4秒前
黄小佳完成签到,获得积分10
5秒前
5秒前
动听的笑南完成签到,获得积分10
5秒前
114514完成签到 ,获得积分10
6秒前
小坤同学完成签到,获得积分10
6秒前
ertredffg发布了新的文献求助10
7秒前
向日葵完成签到,获得积分10
7秒前
万能图书馆应助万莎莎采纳,获得10
7秒前
微笑发夹发布了新的文献求助10
8秒前
小会完成签到,获得积分10
8秒前
好人一生平安完成签到,获得积分10
8秒前
今后应助辉尝不错采纳,获得10
8秒前
研友_VZG7GZ应助RUIT采纳,获得10
8秒前
111发布了新的文献求助10
9秒前
西柚完成签到,获得积分10
10秒前
ch3oh完成签到,获得积分10
10秒前
10秒前
10秒前
丰富的乐儿完成签到,获得积分10
10秒前
山山而川完成签到,获得积分10
12秒前
lml520完成签到,获得积分10
13秒前
xiaooooo完成签到,获得积分10
13秒前
你说要叫啥完成签到,获得积分10
13秒前
汉堡包应助啊娴仔采纳,获得10
14秒前
蔫蔫完成签到 ,获得积分10
14秒前
但是完成签到,获得积分10
14秒前
14秒前
吐车上500完成签到,获得积分10
15秒前
xs完成签到,获得积分10
15秒前
小巧蛋挞完成签到,获得积分20
15秒前
gyacgbjd完成签到,获得积分10
16秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244993
求助须知:如何正确求助?哪些是违规求助? 2888654
关于积分的说明 8254529
捐赠科研通 2557066
什么是DOI,文献DOI怎么找? 1385741
科研通“疑难数据库(出版商)”最低求助积分说明 650214
邀请新用户注册赠送积分活动 626422