机构名称：
¥ 1.0
由于其概率性质，故障预后学是使用大数据进行深度学习的用例的一个典型例子。然而，此类数据集的低可用性结合了拟合，参数化和评估复杂的学习算法的高度努力，用于典型的工业应用的异质和动态设置，通常会阻止这种方法的实际应用。可以使用转移学习或连续学习方法自动适应新的或动态变化的故障预后方案。在本文中，对这种方法进行了首次调查，旨在为该领域的未来研究建立最佳实践。表明该领域缺乏共同的基准来鲁棒比较结果并促进科学进步。因此，还对这些出版物中使用的数据集进行了调查，以确定适合此类基准方案的候选人。
一项关于故障预后中深层工业转移学习的调查
主要关键词
相关文件推荐
