Closing the Simulation-to-Reality Gap for Fault Diagnosis in Unknown Environment: A Sim2Real Knowledge Transfer Approach With Contrastive Learning
Notice bibliographique
Résumé
Training a supervised model for fault diagnosis often requires labeled data samples, typically gathered from controlled environments because collecting such data in real-world scenarios is expensive and labor-intensive. As a result, these datasets often lack scalability and fail to capture the wide range of fault types encountered in practice. To address this limitation, synthetic data are frequently used to generate virtually unlimited labeled samples, providing a diverse array of fault patterns. However, despite its benefits, synthetic data introduces a challenge due to the distribution divergence between synthetic and real-world data, which can affect model generalization. Domain adaptation approaches has been used to mitigate the distribution divergence but it usually failed in such simulation-to-real-world cases as the large volume of labeled synthetic data dominates the feature extractor and make the knowledge hard to transfer to the unlabeled real-world data domain. To address this challenge, we propose the contrastive Sim2Real adaptation (CSRA) approach, which pretrains model on the labeled synthetic data and knowledge transfer to real-world unlabeled data in a self-supervised manner. By only using the pretrained model from the synthetic data, CSRA does not depend on the labeled synthetic data during the knowledge transfer; hence the feature extractor can focus on the real-world data. Then, CSRA employs contrastive learning techniques to align the feature distributions of synthetic and real-world data in a self-supervised way, thereby enhancing the robustness and accuracy of the fault diagnosis model. Our extensive experiments demonstrate that CSRA outperforms standard cross-domain models in handling large domain gaps. Specifically, CSRA improves model generalization in new environments, significantly narrowing the synthetic-to-real-world gap. The results indicate that our approach not only enhances the reliability of fault diagnosis systems but also provides a scalable solution for real-world applications, reducing the dependency on costly and labor-intensive data collection processes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».