Presentation Details
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
ID：25
View Protection：ATTENDEE
Updated Time：2026-05-11 10:06:58 Hits：46
Oral Presentation
Start Time：Pending（Asia/Shanghai）
Duration：Pending
Session：No Session »
No files
Abstract
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。
Keywords
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
Speaker
门志辉
博士研究生 同济大学Submission Author
All Comments
Important Date
-
Conference Date
May 15
2026
toMay 17
2026
-
May 11 2026
Draft paper submission deadline
-
May 17 2026
Registration deadline
Sponsored By
兰州交通大学
中国振动工程学会
中国振动工程学会
Organized By
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
Contact Information
- 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********
Submit Comment