A novel method based on wavelet transform and prototypical network for gearbox detection in few-shot learning
Notice bibliographique
Résumé
Fault diagnosis is crucial for industrial systems, with traditional methods such as CNN heavily reliant on large training datasets to achieve high accuracy. However, such datasets are often-times inaccessible in the real world. Even in few-shot learning models, such as Model-Agnostic Meta-Learning (MAML), the quantity of training data significantly impacts the stability and accuracy of the models, posing challenges for reliable fault diagnosis under limited data conditions. To address these issues, the Wavelet Transform Prototypical Network (WTPN) is proposed, which integrates discrete wavelet transform with prototypical networks for limited training dataset. There are two main structures in WTPN. Firstly, this method transforms one-dimensional vibration signals into two-dimensional distance matrices, enhancing feature extraction and classification accuracy. Secondly, a confidence weighting mechanism assigns weights to decomposed signals based on their classification reliability, thereby improving consistency and reducing performance variability. Then, results from both experimental and publicly available datasets validate that WTPN consistently outperforms existing few-shot learning models in terms of accuracy and stability. Furthermore, the contributions include enhanced feature extraction through DWT, improved stability via confidence weighting, and robust performance in scenarios with limited training data. In conclusion, WTPN represents a significant advancement in fault diagnosis, offering reliable outcomes with minimal training data, making it particularly suitable for applications where data availability is constrained.
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 ».