报告详情
一种基于输入相关温度缩放的可靠故障诊断置信度校准方法
编号：25
访问权限：仅限参会人
更新：2026-05-11 10:06:58 浏览：4次
口头报告
报告开始：暂无开始时间（Asia/Shanghai）
报告时间：暂无持续时间
所在会场：[暂无会议] [暂无会议段]
暂无文件
摘要
在故障诊断领域，现有的大多数研究主要集中在提高模型的准确性和稳定性上，而对模型的可靠性以及不确定性量化方面的关注相对较少。当面对强噪声干扰或来自未知分布的故障模式时，模型通常仍会生成确定性的诊断输出，而不会表明相关的不确定性水平。为了解决这个问题，本文提出了一种基于贝叶斯卷积神经网络（B-CNN）的自适应后验校准方法——输入依赖温度缩放（ITS），以增强置信度校准。与传统的全局温度缩放不同，ITS 从输入特征中自适应地学习温度参数，从而能够进行更精细的置信度调整。在 B-CNN 框架内，ITS 有效地将参数不确定性与输入依赖的后验校准相结合。在 CWRU 数据集和我们研究小组开发的测试台上的实验结果表明，所提出的方法能够显著降低校准误差，提高模型的可靠性，同时保持稳定的分类准确率。
关键词
可信故障诊断,不确定性量化,温度缩放,模型校准,贝叶斯神经网络
报告人
门志辉
博士研究生 同济大学稿件作者
全部评论
重要日期
-
会议日期
05月15日
2026
至05月17日
2026
-
05月11日 2026
初稿截稿日期
-
05月17日 2026
注册截止日期
主办单位
兰州交通大学
中国振动工程学会
中国振动工程学会
承办单位
兰州交通大学机电工程学院
西南交通大学轨道交通运载系统全国重点实验室
西南交通大学轨道交通运载系统全国重点实验室
联系方式
- 高全福
- ga******@mail.lzjtu.cn
- 135********
- 李玉彪
- 11******@qq.com
- 183********
- 张梦萌
- zh******@chytey.com
- 189********
- 郭鹏
- gu******@chytey.com
- 136********
发表评论