近日，阿里云物联网平台数据服务团队在由国际先进人工智能协会主办的AAAI-23会议上，完成了题为“Supervised Contrastive Few-Shot Learning for High-Frequency Time Series”的论文演讲，提出了一种基于监督式对比学习的故障诊断方法，小样本场景下获得了大幅超越先前ICPHM论文模型的识别效果，再次刷新了诊断精度。
国际先进人工智能协会（Association for the Advancement of Artificial Intelligence）主办的AAAI年会（AAAI Conference on Artificial Intelligence）是国际顶级人工智能学术会议之一，也是中国计算机学会（CCF）推荐的A类国际学术会议。目前已连续举办37届，AAAI-23共收到8777篇有效投稿论文，最终有1721篇论文被录取，录用率仅为19.6%。
阿里云IoT数据服务团队此次发布的论文主要针对实际场景中标注数据稀缺的现状，提出了一种小样本场景下基于监督式对比学习的高频时序数据分类方法，能够充分利用少量标注样本，学习具有较强泛化能力的故障表征，适用于轴承、齿轮等的工业设备核心旋转部件的故障诊断。同时，该方法框架还具备较强拓展性，可改造后应用于通用时序分类任务。
基于监督式对比学习的故障诊断方法，主要包括三个模块：数据预处理（包含数据增强），深度编码网络，以及监督式对比学习。
该方法将近年用于图像的监督式对比学习方法用于时序数据中的高频信号，融合了领域知识、对比学习和深度学习，设计出了一种改进的监督对比损失函数，有效兼顾了alignment和uniformity，同时单批次可以处理多样本多增强场景，提升了方法的鲁棒性和泛化性。
阿里云IoT数据服务团队专注于使用算法模型解决设备运维领域的挑战，在实际落地客户场景的过程不断深入算法模型研究，并取得了国际认可的先进性证明。为阿里云物联网平台服务的近十万家企业，实现更高精准度的预测性设备维护，提供了技术支持。
