-
题名故障类型增量场景下基于终身学习的轴承故障诊断方法
被引量：1
- 1
-
-
作者
陈博戬
沈长青
石娟娟
朱忠奎
冯毅雄
-
机构
苏州大学轨道交通学院
浙江大学流体动力与机电系统国家重点实验室
-
出处
《轴承》
北大核心
2022年第9期62-69,共8页
-
基金
国家自然科学基金资助项目(51875375,51875376)
流体动力与机电系统国家重点实验室开放基金资助项目(GZKF-202022)。
-
文摘
针对基于深度学习的轴承故障诊断模型在面临新诊断需求下存在故障类型增量,需要进一步提升模型泛化能力问题,在终身学习范式下提出了一种新的基于终身学习的轴承故障诊断方法(LLBFDM),核心是将提出的双分支自适应聚合残余网络与保留的典例样本相结合,在双分支自适应聚合残余网络(DAARN)的每个残差块层中增加一个稳定块和一个动态块,通过稳定分支和动态分支的组合克服灾难性遗忘现象,并通过自适应聚合权重和双级优化程序平衡模型的稳定性和可塑性。具有故障类型增量的轴承试验结果表明,LLBFDM在初始阶段、增量阶段1、增量阶段2的诊断精度分别为100.00%±0.00%,93.60%±1.90%和91.55%±1.26%,诊断效果优于其他终身学习方法,且具有较好的鲁棒性。
-
关键词
滚动轴承
故障诊断
终身学习
增量学习
灾难性遗忘
稳定性-可塑性困境
-
Keywords
rolling bearing
fault diagnosis
lifelong learning
incremental learning
catastrophic forgetting
stability-plasticity dilemma
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名计算机视觉中的终身学习综述
被引量：1
- 2
-
-
作者
陈一驰
陈斌
-
机构
中国科学院成都计算机应用研究所
中国科学院大学计算机科学与技术学院
哈尔滨工业大学(深圳)国际人工智能研究院
哈尔滨工业大学重庆研究院
-
出处
《计算机应用》
CSCD
北大核心
2023年第6期1785-1795,共11页
-
基金
国防科工局2022年重点研发项目(D020401)。
-
文摘
终身学习(LLL)作为一种新兴方法打破了传统机器学习的局限性,并赋予了模型能够像人类一样在学习过程中不断积累、优化并转移知识的能力。近年来,随着深度学习的广泛应用,越来越多的研究致力于解决深度神经网络中出现的灾难性遗忘问题和摆脱稳定性-可塑性困境,并将LLL方法应用于各种各样的实际场景中,以推进人工智能由弱向强的发展。针对计算机视觉领域,首先,在图像分类任务中将LLL方法归纳为四大类型:基于数据驱动的方法、基于优化过程的方法、基于网络结构的方法和基于知识组合的方法;然后,介绍了LLL方法在其他视觉任务中的典型应用和相关评估指标;最后,针对现阶段LLL方法的不足之处进行讨论并提出了LLL方法未来发展的方向。
-
关键词
深度学习
终身学习
计算机视觉
灾难性遗忘
稳定性-可塑性困境
-
Keywords
deep learning
LifeLong Learning(LLL)
computer vision
catastrophic forgetting
stability-plasticity dilemma
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
