Learn to Supervise: Deep Reinforcement Learning-Based Prototype Refinement for Few-Shot Motor Fault Diagnosis
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
Motor fault diagnosis is a fundamental aspect of ensuring the reliability of industrial equipment. However, industrial scenarios exhibit an inherent data scarcity problem, which imposes significant restrictions on the practical application of traditional deep learning-based intelligent fault diagnosis (IFD) methods. Typically, only a small volume of labeled data along with limited informative unlabeled data are available from industrial motors. Effectively utilizing informative unlabeled samples in the context of few-shot fault diagnosis poses a substantial challenge. In this article, a prototype refinement method for semi-supervised few-shot fault diagnosis based on deep reinforcement learning (DRL) is proposed. First, we propose to formalize a Markov decision process (MDP) of an iterative semi-supervised meta-learning strategy involving the selection of informative unlabeled samples and the refinement of category prototypes. Subsequently, we develop a mirror prototypical network (ProtoNet) structure for interaction with a DRL agent, which learns to adaptively select valuable samples to supervise the diagnosis process. Moreover, a state space involving feature embedding and category information is designed, and a comprehensive reward taking into account selection confidence, effectiveness, and representative is proposed. Extensive experiments on several motor experimental datasets verify the method's effectiveness in few-shot diagnosis of unseen faults and new working 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 | 0,001 |
| 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