15、智能故障诊断的神经架构搜索

智能故障诊断的神经架构搜索

1. 后验分布组的前向采样

通过优化采样分布组，可以得到后验分布，用于估计模型匹配的不确定性。然后，可以通过随机采样从后验分布中获取候选架构集。这种采样方式没有时间顺序或优化过程，便于进行并行加速。虽然也允许采用策略性采样方法，如聚焦边缘的采样策略，但在实践中，随机采样通常足以找到合适的架构集。

采用两个指标来评估采样得到的架构，分别是准确性和稀疏性。准确性用于评估验证数据集，而稀疏性则用于评估采样实例矩阵，其计算公式如下：

[
Sparseness = \frac{\sqrt{m} - \frac{\sum_{i,j}|\hat{\Lambda} {ij}|}{\sqrt{\sum {i,j}\hat{\Lambda}_{ij}^2}}}{\sqrt{m}-1}
]

其中，$m$ 是 $\hat{\Lambda}$ 的维度，这里 $m = 14 \times 8$。通过对采样实例矩阵的稀疏性进行排序，可以减少从连续空间采样所导致的偏差。

需要指出的是，该方法与随机神经架构搜索（SNAS）有所不同。此方法的采样遵循 3σ 原则，因为后验分布是高斯分布，并且还给出了模型匹配的不确定性估计；而 SNAS 的采样是通过随机的单热掩码实现的。

2. 航空发动机锥齿轮故障诊断实验研究

2.1 实验描述

• 数据描述 ：锥齿轮是航空发动机传动系统的重要组成部分，因此需要对其状态进行监测。在测试台上，设置了四组不同状态的锥齿轮实验，包括健康状态、齿面磨损、断齿和小端塌陷。