Neues Paper "Integrating Expert Knowledge with Domain Adaptation for Unsupervised Fault Diagnosis" veröffentlicht

Für datengesteuerte Fehlerdiagnoseverfahren werden häufig zahlreiche markierte Beispiele für jeden Fehlertyp benötigt. Im Gegensatz dazu sind Daten aus der realen Welt oft nicht beschriftet und bestehen meist aus gesunden Beobachtungen und nur wenigen Beispielen für fehlerhafte Bedingungen. Der Mangel an Kennzeichnungen und Fehlerbeispielen stellt eine große Herausforderung für bestehende datengesteuerte Fehlerdiagnoseverfahren dar. In diesem Papier versuchen wir, diese Einschränkung zu überwinden, indem wir Expertenwissen mit Domänenanpassung in einem synthetischen-zu-realen Rahmen für unüberwachte Fehlerdiagnose integrieren. Motiviert durch die Tatsache, dass Domänenexperten oft ein relativ gutes Verständnis dafür haben, wie sich verschiedene Fehlertypen auf gesunde Signale auswirken, wird im ersten Schritt des vorgeschlagenen Rahmens ein synthetischer Fehlerdatensatz erzeugt, indem reale Schwingungsproben von gesunden Lagern ergänzt werden. Dieser synthetische Datensatz integriert Expertenwissen und kodiert Klasseninformationen über die Fehlertypen. Modelle, die ausschließlich auf der Grundlage der synthetischen Daten trainiert werden, sind jedoch aufgrund des deutlichen Unterschieds in der Verteilung zwischen den synthetisch erzeugten und den realen Fehlern oft nicht sehr leistungsfähig. Um diese Diskrepanz zwischen den synthetischen und den realen Daten zu überwinden, wird im zweiten Schritt des vorgeschlagenen Rahmens ein Ansatz zur robusten Domänenanpassung (DA) vorgeschlagen, um das Modell von den synthetischen Fehlern (Quelle) an die unmarkierten realen Fehler (Ziel) anzupassen, die unter einem starken Klassenungleichgewicht leiden. Der Rahmen wird an zwei unbeaufsichtigten Fehlerdiagnosefällen für Lager, dem CWRU-Labordatensatz und einem realen Windturbinendatensatz, bewertet. Die experimentellen Ergebnisse zeigen, dass die generierten Fehler effektiv für die Kodierung von Fehlertyp-Informationen sind und die Domänenanpassung robust gegenüber den verschiedenen Ebenen des Klassenungleichgewichts zwischen Fehlern ist.

Zur externe Seite Publikation