.png){kind=icon}
返回
Cross-Sensor Generative Self-Supervised Learning Network for Fault Detection Under Few Samples
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-025-4001-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种跨传感器的生成式自监督学习网络，用于多传感器故障检测。通过多维度建模传感器信号，以实现通道间的相关性信息挖掘来处理预文本任务，可以捕捉多传感器数据间的共享特征，并减少通道数据特征间的差异。同时，为了在下游任务中建模故障特征，开发了一个显著性模块，基于少量标注数据优化跨传感器数据特征，使预警特征信息更加突出，以提高分类器的准确性。最后，在公开数据集FEMTO-ST数据集和私有数据集SMT减震器数据集（SMT-SA数据集）上的实验结果表明，所提出的方法优于其他STATE-of-the-art方法。
Keyword:
Fault detection
generative self-supervised learning
multi-dimension cross-sensor
multi-sensor
pretraining.
期刊
IF:
2.8
论文数:
212
被引数:
2.1K
机构
引用论文
Fault Detection for Uncertain Delta Operator Systems with Two-Channel Packet Dropouts via a Switched Systems Approach基于切换系统方法的不确定Delta运算子系统两通道数据包丢失的故障检测
.png){kind=icon}
PREAI
分享收藏Estimation of Bearing Remaining Useful Life Based on Multiscale Convolutional Neural Network基于多尺度卷积神经网络的轴承剩余寿命估算
PREAI
分享收藏A review of industrial big data for decision making in intelligent manufacturing面向智能制造决策的工业大数据研究综述
OAAI
OAAI分享收藏
Self-supervised pretraining via contrast learning for intelligent incipient fault detection of bearings通过对比学习进行自我监督预训练，用于轴承的智能早期故障检测
PREAI
分享收藏
查看更多内容