EverAdapt: Continuous Adaptation for Dynamic Machine Fault Diagnosis Environments

无监督领域自适应（UDA）已成为数据驱动故障诊断的关键解决方案，解决了模型在不同环境下表现不佳的领域转移问题。然而，在不断变化的环境下，当适应新领域时，UDA往往会在之前看到的领域中表现不佳，这是一种称为灾难性遗忘的问题。为了解决这个限制，我们引入了EverAdapt框架，专门设计用于动态环境中的连续模型适应。EverAdapt的核心是一种新颖的连续批量归一化（CBN），它利用源域统计信息作为参考点，标准化跨领域的特征表示。EverAdapt不仅保留了之前领域的统计信息，而且还能有效地适应新的情况。为了补充CBN，我们设计了一个类条件域对齐模块，以有效地集成目标域，以及一种样本高效的重播策略来增强记忆保留。在真实世界的数据集上的实验表明，EverAdapt在维护动态环境中的稳健故障诊断方面具有优越性。我们的代码可在以下网址找到：https://github.com/mohamedr002/EverAdapt。

论文试图解决在不断变化的环境中，Unsupervised Domain Adaptation（UDA）所面临的catastrophic forgetting问题，即当适应新领域时，之前已经适应过的领域的表现会下降。

论文提出了EverAdapt框架，其中包括Continual Batch Normalization（CBN）来标准化特征表示，并保留先前领域的统计信息，以及class-conditional domain alignment module和Sample-efficient Replay策略来加强记忆保留和适应新场景。

论文在真实数据集上进行了实验，证明了EverAdapt在动态环境中维护稳健的故障诊断的优越性。研究者还开源了代码，方便其他研究者使用和改进。

与此相关的研究包括：Domain Adaptive Ensemble Learning（DAEL）、Adversarial Domain Adaptation for Fault Diagnosis（ADAFD）等。