Few-Shot-Lernen zur Fehlersuche mit einem Dualen Graph-Neuronalen Netzwerk

Die mechanische Fehlersuche ist entscheidend, um den sicheren Betrieb von Geräten in intelligenten Fertigungssystemen zu gewährleisten. Kürzlich wurden auf Deep Learning basierende Methoden zur Fehlersuche entwickelt, da sie Vorteile in der Merkmalsdarstellung bieten. Allerdings scheitern die meisten dieser Methoden daran, Beziehungen zwischen Proben zu lernen, und schneiden ohne ausreichende beschriftete Daten schlecht ab. In diesem Artikel schlagen wir eine neue Few-Shot-Lernmethode namens duales Graph-Neuronales Netzwerk (DGNNet) mit Residualblöcken vor, um Probleme der Fehlersuche mit begrenzten Daten anzugehen. Zuerst lernt das Residualmodul das Merkmal der Proben mit Bilddaten, die von den ursprünglichen Signalen übertragen werden. Zweitens werden zwei vollständige Graphen, die auf den Merkmale der Proben basieren, verwendet, um die instanzbezogenen und verteilungsbezogenen Beziehungen zwischen Proben zu extrahieren. Insbesondere integriert eine abwechselnde Aktualisierungsrichtlinie zwischen den Instanz- und Verteilungsgraphen die mehrstufigen Beziehungen, um die Labelinformationen von wenigen beschrifteten Proben auf unbeschriftete Proben zu propagieren. Diese Technik nutzt beschriftete und unbeschriftete Proben, um unbekannte Fehler zu identifizieren und fördert die Kompetenz von DGNNet in Fehlersucheaufgaben mit sehr wenigen beschrifteten Proben. Umfassende Ergebnisse auf verschiedenen Datensätzen zeigen, dass DGNNet hervorragende Leistungen in überwachten Fehlersucheaufgaben erzielt und in halbüberwachten Fällen die Basislinien erheblich übertrifft.