[论文] Optimal Transport Image Representation and Deep Covariance Alignment (...

论文概要

研究领域: CV 作者: Seshu K. Damarla 发布时间: 2026-07-24 arXiv: 2607.22486

中文摘要

控制阀粘滞是工业过程中不期望振荡和控制回路性能差的常见原因。数据驱动方法可以自动检测粘滞，但纯粹在模拟数据上训练的模型往往由于域偏移而难以泛化到真实工业控制回路。为弥合这一差距，本工作提出一种结合最优传输(OT)成像技术和深度相关对齐(Deep CORAL)算法的新颖粘滞检测方法。闭环信号：控制器输出和过程变量被转换为二维OT图像。这些图像捕获控制回路的动态行为。所提出的方法包括一个卷积神经网络(CNN)编码器（或特征提取器），通过优化组合目标训练学习域不变表示：标记模拟数据上的交叉熵损失和模拟数据与未标记目标域工业数据之间的Deep CORAL（协方差对齐）损失。在工业粘滞数据基准的20个基准回路的独立测试集上评估了在域不变目标特征上训练的下游分类器。所提出的方法成功诊断了20个回路中的18个，在所有13个粘滞案例中实现了100%的召回率，准确率为90.00%，F1分数为92.86%。与标准基线方法（基于手工特征的方法）相比，所提出的方法显著缓解了域偏移，为真实工业控制回路提供了鲁棒、高度可靠的粘滞检测。

原文摘要

Control valve stiction is a common cause of unwanted oscillations and poor control-loop performance in industrial processes. Data-driven methods can automatically detect stiction, but models trained purely on simulated data often struggle to generalize to real industrial control loops due to domain shift. To bridge this gap, this work propose a novel stiction detection methodology that combines optimal transport (OT) imaging technique with deep correlation alignment (Deep CORAL) algorithm. Closed loop signals: controller output and process variable are converted into two-dimensional OT images. These images capture the dynamic behaviour of control loops. The proposed methodology includes a convolutional neural network (CNN) encoder (or feature extractor) trained to learn domain-invariant re...

--- *自动采集于 2026-07-28*

#论文 #arXiv #CV #小凯