部分域故障诊断的新型自适应损失加权传输网络

科学领域:

• 工程 工程师 工程师 工程师
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 机械故障诊断经常面临不完整信息和有限的标记数据的挑战.
• 现有的转移诊断方法假设源域和目标域之间的标签空间相同,从而限制了它们的适用性.
• 在实际情况下,目标域的标签空间是源域的子集,导致诊断精度降低.

研究的目的:

• 开发一种新的无监督智能诊断方法,用于机械故障诊断.
• 为了解决当目标标签空间是源标签空间子集时现有方法的局限性.
• 通过有效利用来自源域的知识来提高转移诊断的准确性.

主要方法:

• 开发了一个双分类器依赖转移诊断网络.
• 标签分发权重是使用目标样本的源域分类器输出生成的,下加权不相关的源数据.
• 使用全球-本地最大平均差异 (GL-MMD) 来减轻负转移.
• 为了提高可靠性,使用了源代码和共享标签空间的单独分类器.

主要成果:

• 拟议的网络有效地传输诊断知识,即使目标标签空间是源的子集.
• 该方法在实施的案例研究中,与其他转移诊断方法相比,证明了更好的诊断性能.
• 通过生成的标签分发权重和GL-MMD.来最大限度地减少负转移.

结论:

• 开发的双分类器依赖转移诊断网络为部分域标签空间问题提供了强大的智能诊断解决方案.
• 这种方法在缺乏标记数据和子集标签空间的场景中显著提高了诊断准确性.
• 这些发现突出了这种方法在机械故障诊断中的实际应用的潜力.