Self-Supervised Deep Tensor Domain-Adversarial Regression Adaptation for Online Remaining Useful Life Prediction Across Machines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With deep transfer learning techniques, this paper focuses on the online remaining useful life (RUL) prediction problem across different machines, and tries to address the following concerns: 1) The effect of transfer learning decreases significantly due to considerable divergence of degradation characteristic; 2) A high computational cost is raised by re-training whole model with online data; 3) Error accumulation occurs because of lacking label information of online data. In this paper, a self-supervised deep tensor domain-adversarial regression adaptation approach is proposed. In the pre-training stage, a novel tensor domain-adversarial network, with a tensorized domain discriminator, is constructed using the offline whole-life degradation data and early fault data of the target machine. A new training algorithm with an alternating minimization scheme is then built to seek the optimal core tensor and domain-invariant feature representation. In the online stage, a new self-supervised fine-tuning strategy is designed for the target network initialized from the pre-trained network. The core tensor-formed self-supervised information, extracted from the monotonicity of online degradation process, and the pseudo-supervised information from the pre-trained network are integrated to realize fast and adaptive RUL prediction. This paper takes rolling bearing as an example, and runs both cross-conditions and cross-machines experiments on three rolling bearings datasets, i.e., IEEE PHM Challenge 2012, XJTU-SY and our test rig. The results verify the use of tensor representation can facilitate regression adversarial training, and demonstrate the proposed approach can effectively improve predictive accuracy and stability under unknown online conditions.
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.
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 découle