.png){kind=icon}
返回
Efficient Failure Prediction: A Transfer Learning-Based Solution for Imbalanced Data Classification
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14244957.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘工业预测性维护面临着持续挑战，如极端类别不平衡、有限的标记故障数据以及需要高效且可扩展的AI模型。本文提出了一种基于迁移学习的边缘AI框架，通过信号到图像的转换和深度残差网络（ResNet）的微调来解决这些挑战。一维传感器信号被转换为二维RGB图像，从而能够使用最初针对大规模数据集训练的强大卷积架构。该方法模拟了边缘-云协同，其中从大型预训练模型中提取的知识被高效地适配并在资源受限的边缘环境中执行。在不到原始数据集5%的数据上训练后，该模型实现了96.53%的阴性预测值，显著降低了分类成本，并优于传统深度学习和传统机器学习方法。结果表明，由迁移学习驱动的边缘智能为在数据稀缺条件下进行预测性维护和工业自动化提供了一种经济高效、可扩展且通用化的解决方案。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
分享收藏An Explainable AI approach for detecting failures in air pressure systems *一种用于检测气压系统故障的可解释人工智能方法
PREAI
分享收藏Ma, X.; Yang, Y.; Shao, D.; Kit, F.C.; Dong, C. HyADS: A Hybrid Lightweight Anomaly Detection Framework for Edge-Based Industrial Systems with Limited Data. Electronics 2025, 14, 2250. [Google Scholar] [CrossRef]Ma, X.; Yang, Y.; Shao, D.; Kit, F.C.; Dong, C. HyADS：一种面向边缘工业系统的轻量级混合异常检测框架（数据有限）。Electronics 2025, 14, 2250. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Evaluating the Role of Data Enrichment Approaches towards Rare Event Analysis in Manufacturing评估数据丰富方法在制造业罕见事件分析中的作用SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容