ترجمه فارسی مقاله SRTFD: تشخیص خطای مقیاس‌پذیر در زمان واقعی از طریق یادگیری مداوم آنلاین

چکیده

Fault diagnosis (FD) is essential for maintaining operational safety and minimizing economic losses by detecting system abnormalities. Recently, deep learning (DL)-driven FD methods have gained prominence, offering significant improvements in precision and adaptability through the utilization of extensive datasets and advanced DL models. Modern industrial environments, however, demand FD methods that can handle new fault types, dynamic conditions, large-scale data, and provide real-time responses with minimal prior information. Although online continual learning (OCL) demonstrates potential in addressing these requirements by enabling DL models to continuously learn from streaming data, it faces challenges such as data redundancy, imbalance, and limited labeled data. To overcome these limitations, we propose SRTFD, a scalable real-time fault diagnosis framework that enhances OCL with three critical methods: Retrospect Coreset Selection (RCS), which selects the most relevant data to reduce redundant training and improve efficiency; Global Balance Technique (GBT), which ensures balanced coreset selection and robust model performance; and Confidence and Uncertainty-driven Pseudo-label Learning (CUPL), which updates the model using unlabeled data for continuous adaptation. Extensive experiments on a real-world dataset and two public simulated datasets demonstrate SRTFD’s effectiveness and potential for providing advanced, scalable, and precise fault diagnosis in modern industrial systems.

چکیده به فارسی (ترجمه ماشینی)

تشخیص گسل (FD) برای حفظ ایمنی عملیاتی و به حداقل رساندن تلفات اقتصادی با تشخیص ناهنجاری های سیستم ضروری است.اخیراً ، روشهای FD یادگیری عمیق (DL) برجستگی به دست آورده اند و از طریق استفاده از مجموعه داده های گسترده و مدلهای پیشرفته DL ، پیشرفت های قابل توجهی در دقت و سازگاری ارائه می دهند.با این حال ، محیط های صنعتی مدرن ، روش های FD را تقاضا می کنند که می توانند انواع جدید گسل ، شرایط پویا ، داده های در مقیاس بزرگ را اداره کنند و پاسخ های در زمان واقعی را با حداقل اطلاعات قبلی ارائه دهند.اگرچه یادگیری مداوم آنلاین (OCL) با فعال کردن مدل های DL برای یادگیری مداوم از داده های جریان ، پتانسیل در پرداختن به این الزامات را نشان می دهد ، اما با چالش هایی مانند افزونگی داده ها ، عدم تعادل و داده های دارای برچسب محدود روبرو است.برای غلبه بر این محدودیت ها ، ما SRTFD را پیشنهاد می کنیم ، یک چارچوب تشخیص تقصیر در زمان واقعی که OCL را با سه روش مهم تقویت می کند: انتخاب هسته گذشته نگر (RCS) ، که مناسب ترین داده ها را برای کاهش آموزش اضافی و بهبود بهره وری انتخاب می کند.تکنیک تعادل جهانی (GBT) ، که انتخاب Coreset متعادل و عملکرد مدل قوی را تضمین می کند.و اعتماد به نفس و یادگیری شبه برچسب محور محور (CUPL) ، که مدل را با استفاده از داده های بدون برچسب برای سازگاری مداوم به روز می کند.آزمایش های گسترده ای در مورد مجموعه داده های دنیای واقعی و دو مجموعه داده شبیه سازی شده عمومی نشان دهنده اثربخشی SRTFD و پتانسیل برای ارائه تشخیص گسل پیشرفته ، مقیاس پذیر و دقیق در سیستم های صنعتی مدرن است.