标签
本文介绍了频谱混叠前置任务（SAP），一种面向旋转机械故障诊断的自监督学习方法。通过有意对振动信号进行欠采样，并训练Transformer重建原始频谱，SAP学习到具有判别性的频域表示，从而在有限标注数据下实现强大的分类性能。
DBA-Bench 是一个用于评估基于 LLM 的数据库代理的生产保真度基准，包含七个领域的 106 个场景，采用结果优先评估和可控可重复性。最佳自动化基线仅达到 17.9% 的安全通过率，而人类 DBA 为 93.4%。
本文介绍了BearingNAS，一种硬件感知的神经架构搜索框架，用于设计轴承的智能故障诊断系统，目标是微控制器和传感器处理单元，这些单元内存极为有限（4-8 KiB RAM，16-32 KiB Flash），而整个框架完全在笔记本电脑CPU上运行，并达到99.50%的诊断准确率。
本文证明了在滑动窗口序列上使用简单的训练/测试分割会严重夸大或缩小预测性维护中多任务学习的性能指标，并提出了一种泄漏鲁棒的评估协议。
介绍了Onnes，一种基于物理的多智能体LLM模拟器，用于量子计算基础设施的低温故障诊断。通过精心策划的少样本演示和自一致性投票，零样本LLM智能体面板实现了0.990的故障分类准确率，与监督式分类器相当，且无需参数更新。
本文提出了一种基于强化学习的自适应仿真到真实对齐方法，用于振动轴承健康监测，通过近端策略优化解决数据稀缺和异质故障类型差距问题。
提出了一种轻量级神经架构搜索方法，直接在部署设备上执行，用于近传感器计算。在sEMG手语和故障诊断数据集上进行了验证，提高了准确率并减少了RAM占用。
提出RGNet，一种基于重整化群理论的神经网络架构，用于特征空间的分层粗粒化，以解决故障诊断中的类别不平衡和噪声问题。在AI4I数据集上的实验结果表明，RGNet提供了可解释且具有竞争力的性能。
本文提出了一种基于置信规则库并考虑鲁棒性分析的可靠故障诊断方法，解决了传感器可靠性问题，并在WD615柴油机和轴承数据集上验证了该方法。