Aprendizado de Poucos Exemplos para Diagnóstico de Falhas com uma Rede Neural Gráfica Dual

O diagnóstico de falhas mecânicas é crucial para garantir a operação segura de equipamentos em sistemas de manufatura inteligente. Métodos baseados em aprendizado profundo foram recentemente desenvolvidos para diagnóstico de falhas devido às suas vantagens na representação de características. No entanto, a maioria desses métodos falha em aprender relações entre amostras e, assim, apresenta um desempenho ruim sem dados rotulados suficientes. Neste artigo, propomos um novo método de aprendizado de poucos exemplos denominado rede neural gráfica dual (DGNNet) com blocos residuais para abordar problemas de diagnóstico de falhas com dados limitados. Primeiro, o módulo residual aprende a característica das amostras com dados de imagem transferidos de sinais originais. Em segundo lugar, dois gráficos completos construídos com base nas características das amostras são utilizados para extrair as relações em nível de instância e em nível de distribuição entre as amostras. Em particular, uma política de atualização alternada entre os gráficos de instância e de distribuição integra as relações em múltiplos níveis para propagar a informação de rótulo de algumas amostras rotuladas para amostras não rotuladas. Essa técnica aproveita amostras rotuladas e não rotuladas para identificar falhas não visíveis, incentivando a competência da DGNNet em tarefas de diagnóstico de falhas com muito poucas amostras rotuladas. Resultados extensivos em vários conjuntos de dados mostram que a DGNNet alcança excelente desempenho em tarefas de diagnóstico de falhas supervisionadas e supera as linhas de base por uma grande margem em casos semissupervisionados.