留出轴承后99%准确率暴跌至0.36，傅里叶神经算子靠阶次域逆袭到0.95！
When Does Domain Adaptation Help on Physical Vibration Sensors? A Held-Out-Bearing Study of Neural-Operator and Convolutional Models
📖 AI 总结
该研究重新审视了滚动轴承故障诊断这一经典物理传感任务中的域适应问题。作者指出，以往超过99%的准确率多来自将同一物理轴承同时置于训练集和测试集的评估方式，存在数据泄漏。采用留出轴承协议（每个轴承单元完全归入训练或测试集）后，仅源域迁移在轴速变化时准确率仅0.36，远低于目标监督上限0.97。研究发现，输入表示而非对齐方法才是迁移成败的关键：将计算阶次跟踪作为受控表示变换后，傅里叶神经算子把源域迁移从0.36提升至0.61，而同等特征维度的卷积网络在两种表示下均接近随机水平。在无目标标签的RBF-MMD对齐下，算子于频域达0.71，在阶次域达0.95，接近监督上限。这表明表示正确后，少量标签收益有限。第二个数据集进一步显示，该协议能暴露连目标监督模型也难以避免的失败。
🔑 关键词速览
| 留出轴承协议 | 一种评估设置，将每个物理轴承单元完全划分到训练集或测试集，避免同一轴承同时出现在两者中。 |
| 计算阶次跟踪 | 一种将振动信号按轴角度重采样的方法，使故障特征频率固定在轴阶次上，不受转速变化影响。 |
| 傅里叶神经算子 | 一种在频域参数化积分算子的神经网络架构，适用于学习偏微分方程解算子，此处用于振动信号迁移。 |
| RBF-MMD | 基于径向基核的最大均值差异，一种用于无监督域适应的分布对齐损失函数。 |
| 仅源域迁移 | 指模型仅在源域数据上训练，不利用任何目标域标签或数据，直接迁移到目标域进行评估。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅