Clustering-guided prototypical contrastive learning for bearing fault diagnosis under variable working conditions
Notice bibliographique
Résumé
Abstract Methods based on deep learning for intelligent fault diagnosis have shown good results in general diagnostic tasks. Nevertheless, these methods largely depend on the sufficient labeled data, limiting their application in the actual scenarios where the availability of labeled data is limited. Moreover, the distribution of testing data is inconsistent with that of training data because bearings operate in various working conditions, leading to the performance degradation of these approaches. To tackle these two entangled problems, we propose a novel unsupervised domain adaptation network, which presents clustering-guided prototypical contrastive learning for cross-domain fault diagnosis. More specifically, k-means clustering is first used to aggregate similar source samples and target samples separately, acquiring the centroid of each cluster and the cluster index of each sample. Then, we propose in-domain and cross-domain contrastive learning strategies based on clustering results to achieve class alignment and domain alignment across source domain and target domain. By applying in-domain contrastive learning, we make the intra-class distance smaller while making the inter-class distance larger within each domain, effectively reducing the number of samples on the class boundaries. By applying cross-domain contrastive learning, class-to-class semantic similarity across two different domains is considered, which not only retains class discriminability in each domain but aligns these two domains at both the class level and the domain level. Detailed experiments on three bearing datasets reveal that our method outperforms in fault diagnosis across diverse working conditions, achieving average accuracy improvements of 2.10%, 7.44%, and 1.17% on the JNU, HUST, and Ottawa datasets, respectively.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».