English(EN) Evaluating deep learning models for fault diagnosis of a rotating machinery with epistemic and aleatoric uncertainty

深度学习模型在机械故障诊断中的不确定性评估

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-19 04:00

一篇新发表在arXiv上的研究论文探讨了各种深度学习模型在诊断旋转机械故障方面的有效性，特别关注它们处理不确定性的能力。该研究比较了基于dropout的方法、贝叶斯神经网络和深度集成模型等，评估了它们在检测由未见故障（认知不确定性）和噪声（随机不确定性）引起的分布外数据方面的性能。研究结果表明，深度集成模型在检测认知不确定性方面通常优于其他模型，同时在抵抗随机不确定性方面也表现出更强的鲁棒性，因此因其准确性和效率而成为首选。 AI

影响为在工业机械中选择具有不确定性感知能力的深度学习模型以实现可靠的故障诊断提供了指导。

排序理由该集群包含一篇详细介绍深度学习模型研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Reza Jalayer, Masoud Jalayer, Andrea Mor, Carlotta Orsenigo, Carlo Vercellis · 2026-06-19 04:00

Evaluating deep learning models for fault diagnosis of a rotating machinery with epistemic and aleatoric uncertainty

arXiv:2412.18980v2 Announce Type: replace Abstract: Uncertainty-aware deep learning (DL) models recently gained attention in fault diagnosis as a way to promote the reliable detection of faults when out-of-distribution (OOD) data arise from unseen faults (epistemic uncertainty) o…

报道来源 [1]

Evaluating deep learning models for fault diagnosis of a rotating machinery with epistemic and aleatoric uncertainty

相关实体

相关话题