Fault Diagnosis Generalization Improvement Through Contrastive Learning for a Multistage Centrifugal Pump

La escasez de datos en la investigación de pronóstico y gestión de la salud presenta un desafío significativo, que a menudo dificulta el rendimiento de los modelos supervisados ​​debido a la dificultad de adquirir datos de diversos modos de falla durante un funcionamiento prolongado sin fallas. Por el contrario, los datos de la condición nominal de operación (NOC), incluyendo tanto datos de condición de operación normal como datos de fallas variadas, son más fácilmente disponibles gracias a la inspección previa a la entrega. Posteriormente, estudiamos esta premisa novedosa y sin resolver de la NOC, que aprovecha los datos de la NOC junto con los datos de condición de operación normal de otras condiciones para construir un diagnosticador de fallas llamado Res-1D-bootstrap your own latent (BYOL) con la estrategia de generalización de distribución de probabilidad propuesta. El paso inicial implica un enfoque novedoso para la optimización de la transformación contrastiva con los criterios basados ​​únicamente en la pérdida de similitud obtenida en la etapa de entrenamiento. A continuación, preentrenamos el detector de fallas con base en nuestra premisa de la NOC, seguido del ajuste fino de la red exclusivamente con datos de la NOC. Dada la novedad de nuestra premisa, existen pocos modelos para la comparación directa. Por lo tanto, comparamos nuestro enfoque con una línea base supervisada, MoCo, un algoritmo equivalente no optimizado y un algoritmo equivalente que emplea únicamente datos NOC para el preentrenamiento del extractor de características. Los resultados empíricos demuestran la superior capacidad de generalización de la distribución de nuestro modelo gracias a la mayor precisión de clasificación en diferentes condiciones operativas.