基于改进能量模型的主动域自适应安全性评估方法OA北大核心CSTPCD

复杂动态系统运行过程中的在线安全性评估至关重要且富有挑战性.构建有效的数据驱动模型需要大量有标注数据,但这在实际中通常难以获得.此外,考虑到系统不同的运行工况,安全性评估模型应该具有良好的泛化能力.域自适应(Domain adaptation,DA)可以将模型从数据标注丰富的源域迁移到具有不同但相似数据分布的目标域.然而,源域中没有出现过的任务相关未知情景会降低模型的性能,是目前尚未解决的挑战.主动域自适应通过结合域自适应与主动学习技术,为解决上述挑战提供了思路.本文研究目标域存在任务相关未知情景的主动域自适应安全性评估问题,提出一种基于改进能量模型的主动域自适应方法.在所提方法中融合分布外检测器,在此基础上主动选择目标域中具有代表性的无标注样本进行标注,作为训练数据以提高域自适应模型的性能.最后,通过基于轴承数据的案例研究,验证所提方法的有效性和适用性.