English(EN) Digital Twin-Driven Adaptive Sim-to-Real Alignment via Reinforcement Learning for Vibration-Based Bearing Health Monitoring Under Data Scarcity

强化学习通过自适应仿真到现实对齐提升轴承健康监测性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-25 04:00

研究人员开发了一种新颖的方法，用于提高基于振动的轴承健康监测的准确性，特别是在故障数据有限的情况下。他们的方法利用强化学习来自适应地对齐仿真数据与真实世界条件，解决了通常阻碍数字孪生应用的差异。该技术生成特定故障类型的校正，在最小化仿真信号与实际信号之间差距的同时，保持不同故障类别的可分离性。该方法在跨不同设备的转移监测能力方面取得了显著的提升，在无需重新训练编码器的情况下达到了92.8%的准确率。 AI

影响这项研究通过提高在仿真数据上训练的AI模型的可靠性，可能带来更强大、更准确的工业预测性维护系统。

排序理由该集群包含一篇详细介绍机器学习应用新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 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.CL TIER_1 English(EN) · Jinghan Wang, Yanjun Chen, Wei Zhang, Wentao Wu, Tianchen Liu, Gaoliang Peng · 2026-06-25 04:00

Digital Twin-Driven Adaptive Sim-to-Real Alignment via Reinforcement Learning for Vibration-Based Bearing Health Monitoring Under Data Scarcity

arXiv:2606.24954v1 Announce Type: cross Abstract: Vibration-based health monitoring of rotating machinery requires reliable fault diagnosis under operational data constraints, yet condition assessment remains challenged by structural scarcity of fault events and heterogeneous sim…

报道来源 [1]

Digital Twin-Driven Adaptive Sim-to-Real Alignment via Reinforcement Learning for Vibration-Based Bearing Health Monitoring Under Data Scarcity

相关实体

相关话题