清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Model Evolution Mechanism for Incremental Fault Diagnosis

断层(地质) 计算机科学 人工智能 遗传算法 机器学习 钥匙(锁) 蒸馏 选择(遗传算法) 数据挖掘 可靠性工程 工程类 化学 计算机安全 有机化学 地震学 地质学
作者
Liuen Guan,Fei Qiao,Xiaodong Zhai,Dongyuan Wang
出处
期刊:IEEE Transactions on Instrumentation and Measurement [Institute of Electrical and Electronics Engineers]
卷期号:71: 1-11 被引量:7
标识
DOI:10.1109/tim.2022.3200695
摘要

As the key issue of equipment operation and maintenance, fault diagnosis has attracted extensive attention, in which deep learning is often applied to the construction of fault diagnosis models. However, the changing operation state of industrial systems will lead to the decline of model performance. Therefore, it is necessary and urgent to explore the dynamic update of models. This work establishes an incremental fault diagnosis (IFD) framework, and further proposes a model evolution mechanism based on adaptive knowledge distillation and representative exemplar selection (MEMAR). Firstly, when new samples pour in, knowledge distillation (KD) is used to mine the potential correlation between old and new samples, with adaptive constraints on parameter optimization for model updating. Secondly, genetic algorithm (GA) is applied to selectively retain representative exemplar subsets, so as to enhance the model’s ability to deal with dynamic data. Moreover, in order to further verify the effectiveness of MEMAR, the discrimination performance of the fault diagnosis model after multi-stage incremental learning is tested. The experimental results show that the proposed MEMAR can reduce the storage space of old samples and training time. Besides, it enables the fault diagnosis model based on deep learning to have excellent diagnostic performance for new and old samples.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
英俊的铭应助巨人文采纳,获得10
2秒前
keyanzhang完成签到 ,获得积分10
21秒前
呆呆的猕猴桃完成签到 ,获得积分10
23秒前
光亮乘云完成签到 ,获得积分10
27秒前
ppp完成签到,获得积分10
29秒前
ppp发布了新的文献求助10
34秒前
小玉完成签到,获得积分10
37秒前
38秒前
liyu发布了新的文献求助10
42秒前
liyu完成签到,获得积分20
51秒前
aniu完成签到 ,获得积分10
1分钟前
digger2023完成签到 ,获得积分10
1分钟前
2分钟前
天天快乐应助ysss0831采纳,获得10
2分钟前
菲菲完成签到 ,获得积分10
2分钟前
3分钟前
ysss0831发布了新的文献求助10
3分钟前
hzauhzau完成签到 ,获得积分10
3分钟前
奈思完成签到 ,获得积分10
3分钟前
Yolenders完成签到 ,获得积分10
4分钟前
太阳完成签到 ,获得积分20
4分钟前
jiayoujijin完成签到 ,获得积分10
4分钟前
5分钟前
哆啦A梦完成签到 ,获得积分10
5分钟前
哆啦A梦完成签到 ,获得积分10
5分钟前
poki完成签到 ,获得积分10
6分钟前
6分钟前
Herbs完成签到 ,获得积分10
6分钟前
violetlishu完成签到 ,获得积分10
6分钟前
doreen完成签到 ,获得积分10
7分钟前
pig120完成签到 ,获得积分10
7分钟前
Milo完成签到,获得积分10
7分钟前
夏凉如冰完成签到 ,获得积分10
7分钟前
8分钟前
稻子完成签到 ,获得积分10
8分钟前
8分钟前
大意的哲瀚完成签到,获得积分10
8分钟前
9分钟前
deniroming完成签到 ,获得积分10
9分钟前
hydrogel完成签到,获得积分10
10分钟前
高分求助中
Manual of Clinical Microbiology, 4 Volume Set (ASM Books) 13th Edition 1000
Sport in der Antike 800
De arte gymnastica. The art of gymnastics 600
少脉山油柑叶的化学成分研究 530
Mechanical Methods of the Activation of Chemical Processes 510
Electronic Structure Calculations and Structure-Property Relationships on Aromatic Nitro Compounds 500
Berns Ziesemer - Maos deutscher Topagent: Wie China die Bundesrepublik eroberte 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2419189
求助须知:如何正确求助?哪些是违规求助? 2110196
关于积分的说明 5337790
捐赠科研通 1837370
什么是DOI,文献DOI怎么找? 914970
版权声明 561134
科研通“疑难数据库(出版商)”最低求助积分说明 489315