Reliable and Intelligent Fault Diagnosis With Evidential VGG Neural Networks
Notice bibliographique
Résumé
With the emergence of Internet-of-Things (IoT) and big data technologies, data-driven fault diagnosis approaches, notably deep learning (DL)-based methods, have shown promising capabilities in achieving high accuracy through end-to-end learning. However, these deterministic neural networks cannot incorporate the prediction uncertainty, which is critical in practical applications with possible out-of-distribution (OOD) data. This present article develops a reliable and intelligent fault diagnosis (IFD) framework based on evidence theory and improved visual geometry group (VGG) neural networks, which can achieve accurate and reliable diagnosis results by incorporating additional estimation of the prediction uncertainty. Specifically, this article treats the predictions of the VGG as subjective opinions by placing a Dirichlet distribution on the category probabilities and collecting the evidence from data during the training process. A specific loss function assisted by evidence theory is adopted for the VGG to obtain improved uncertainty estimations. The proposed method, which incorporates evidential VGG (EVGG) neural networks, as termed here, is verified by a case study of the fault diagnosis of rolling bearings, in the presence of sensing noise and sensor failure. The experimental results illustrate that the proposed method can estimate the prediction uncertainty and avoid overconfidence in fault diagnosis with OOD data. Also, the developed approach is shown to perform robustly under various levels of noise, which indicates a high potential for use in practical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».