arXiv · cs.AI · Pengcheng Xia, Zhichao Dong, Chengjin Qin, Qun Chao, Yixiang Huang, Chengliang Liu · 9 小时前模型评分30
双向数字孪生原型锚定结合多周期学习用于小样本故障诊断
Bi-directional digital twin prototype anchoring with multi-periodicity learning for few-shot fault diagnosis
导读
研究提出双向数字孪生原型锚定框架，结合多周期学习实现小样本故障诊断：模型先在数字孪生虚拟空间元训练，再通过测试时自适应迁移到物理设备。该框架用双向孪生域原型锚定互相约束源域与目标域类别表示，并以协方差引导增强提升目标原型估计鲁棒性。基于异步电机有限元数字孪生在三种转速和多种小样本设置下验证，性能优于代表性对比方法。
分类置信度
低
- 缺少主分类。
来源级别：媒体与个人
应用领域：制造与工业
事件类型：研究发布
证据摘录
- “To enable diagnostic knowledge transfer when only a few labeled target samples are available, this paper proposes a bi-directional DT prototype anchoring framework with multi-periodicity learning for few-shot fault diagnosis.”
来源：arXiv · cs.AI · arxiv.org