Rilevamento di guasti senza etichette tramite apprendimento per rinforzo inverso avversario

Un nuovo approccio che utilizza l'apprendimento per rinforzo inverso avversario (AIRL) per rilevare guasti meccanici elimina la necessità di etichette di guasto. A differenza dell'apprendimento supervisionato, che affronta sfide a causa di etichette limitate, e delle tecniche di apprendimento per rinforzo esistenti che tornano alla classificazione statica, l'AIRL deriva una ricompensa intrinseca di "salute" dalle transizioni di stato osservate. Questo metodo inquadra il rilevamento dei guasti come una sfida di apprendimento per rinforzo inverso offline, eliminando la necessità di creare manualmente ricompense o etichette di guasto. L'AIRL si distingue come l'unica tecnica che funziona costantemente bene su tre benchmark run-to-failure (HUMS2023, IMS, XJTU-SY). La ricerca è stata pubblicata su arXiv con ID 2607.22987.