Dynamic Balance Domain-Adaptive Meta-Learning for Few-Shot Multi-Domain Motor Bearing Fault Diagnosis Under Limited Data
Notice bibliographique
Résumé
Under varying operating conditions, motor bearings undergo continuous changes, necessitating the development of deep learning models capable of robust fault diagnosis. While meta-learning can enhance generalization in low-data scenarios, it is often susceptible to overfitting. Domain adaptation mitigates this by aligning feature distributions across domains; however, most existing methods primarily focus on global alignment, overlooking intra-class subdomain variations. To address these limitations, we propose a novel Dynamic Balance Domain-Adaptation based Few-shot Diagnosis framework (DBDA-FD), which incorporates both global and subdomain alignment mechanisms along with a dynamic balancing factor that adaptively adjusts their relative contributions during training. Furthermore, the proposed framework implicitly leverages the concept of symmetry in feature distributions. By simultaneously aligning global and subdomain-level representations, DBDA-FD enforces a symmetric structure between source and target domains, which enhances generalization and stability under varying operational conditions. Extensive experiments on the CWRU and PU datasets demonstrate the effectiveness of DBDA-FD, achieving 97.6% and 97.3% accuracy on five-way five-shot and three-way five-shot tasks, respectively. Compared to state-of-the-art baselines such as PMML and ADMTL, our method achieves up to 1.4% improvement in accuracy while also exhibiting enhanced robustness against domain shifts and class imbalance.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 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 ».