SpecCSAM: a prior-knowledge embedding deep learning fault diagnosis method for unknown working conditions
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
Although deep learning has exhibited promising performance in the field of fault diagnosis, most current methods suffer from performance degradation under variable working conditions. Transfer learning is commonly used to address this problem, which assumes that a plenty of unlabeled data or a few labeled data can be obtained in target domains. However, in industrial scenarios, there are a number of unknown working conditions with the lack of data, leading to the failure of transfer learning. Therefore, this paper presents a prior-knowledge embedding deep learning fault diagnosis method, SpecCSAM to overcome this issue. Only the samples under the source working condition are utilized for model training, without using any data under unknown working conditions. Firstly, based on the bearing fault mechanism and spectrum analysis, a novel data preprocessing method is introduced to construct a spectrum feature matrix (SFM). This method highlights the features that are insensitive to the domain shift, which can effectively enhance the fault diagnosis performance under unknown working conditions. Secondly, in the feature extraction module, a fusion-encoder based on the multi-branch self-attention mechanism (SAM) is employed to capture the high-dimensional fault features in SFM. Based on this innovative SAM, it is capable of mining multi-scale correlation features. To demonstrate the superiority of the proposed method, experiments were carried out on the Case Western Reserve University dataset and the self-built dataset. The average accuracies under unknown working conditions reached 99.50 and 99.28%, respectively. Combined with other experimental results, the proposed method demonstrated excellent performance in multiple tasks under unknown 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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