Diagnóstico de fallos de dominio cruzado con pocos ejemplos de rodamientos impulsados por ANIL supervisado por tareas

El meta-aprendizaje ha abordado eficazmente el límite de los modelos de diagnóstico de fallos de aprendizaje profundo que requieren un gran número de muestras. Sin embargo, los modelos de meta-aprendizaje existentes carecen de la capacidad de reutilización de características y adaptación a tareas. Para abordar las tareas de diagnóstico de fallos de dominio cruzado con muestras pequeñas, es necesario mejorar aún más la capacidad de reutilización de características y la adaptabilidad a las tareas de los modelos de meta-aprendizaje existentes. Para lograr este objetivo, este artículo introduce un nuevo enfoque basado en el Almost No Inner Loop (ANIL) supervisado por tareas. El enfoque propuesto adopta una red residual para optimizar la estructura de la columna vertebral del bucle interno, mejorando la capacidad de reutilización de características del meta-aprendizaje en el dominio desconocido. Se introduce un término auxiliar para definir una función de pérdida adaptable a tareas supervisadas, actualizando aún más los parámetros de peso del meta-aprendiz interno al monitorear los estados de todas las tareas meta-diagnósticas. El método propuesto se utiliza para analizar señales de vibración de varios rodamientos. Los resultados demuestran su superioridad sobre los métodos tradicionales de meta-aprendizaje en múltiples conjuntos de tareas de diagnóstico de fallos de dominio cruzado con muestras pequeñas.