统计学 > 应用
[提交于 2025年7月22日
]
标题: 连续测试时领域自适应用于动态运行条件下的高效故障检测
标题: Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions
摘要: 故障检测在复杂的工业系统中至关重要,可以通过区分异常和正常运行条件来防止故障并优化性能。 随着状态监测数据的日益丰富,数据驱动的方法在检测系统故障方面得到了更广泛的应用。 然而,这些方法通常需要大量、多样且具有代表性的训练数据集,以捕捉所有运行场景的完整范围,这一假设在实践中很少得到满足,尤其是在部署的早期阶段。 工业系统通常在高度变化和不断演变的条件下运行,使得收集全面的训练数据变得困难。 这种变化导致了训练数据和测试数据之间的分布偏差,因为未来的运行条件可能与之前观察到的条件不同。 这种领域变化阻碍了传统模型的泛化能力,限制了它们在时间和系统实例之间迁移知识的能力,最终导致实际部署中的性能下降。 为了解决这些挑战,我们提出了一种新的连续测试时间领域自适应方法,旨在在存在领域变化和训练数据代表性有限的情况下支持稳健的早期故障检测。 我们提出的框架——测试时间领域自适应用于稳健故障检测(TARD)——明确地将输入特征分为系统参数和传感器测量值。 它使用专门的领域自适应模块,针对每种输入类型使用不同的策略进行适应,从而实现对不断变化的运行条件更针对性和有效的适应。 我们在多相流设施的两个真实案例研究中验证了我们的方法,在实际变化条件下,相比现有的领域自适应方法,显著提高了故障检测的准确性和模型的鲁棒性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.