一种通用的多源域适应方法,用于在不完整数据下进行机械故障诊断的无监督集群

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 收集全面的机械故障数据是一项挑战.
• 现有的方法在不完整的数据集和未知的故障类型中扎.
• 域调整 (DA) 方法经常错误地分类未知的故障.

研究的目的:

• 开发一种通用的DA方法,用于在不完整数据的情况下进行机械故障诊断.
• 解决现有方法在处理未知故障类别方面的局限性.
• 为了提高故障诊断,利用多个来源的信息.

主要方法:

• 一种包含无监督集群的通用DA方法.
• 一个复合的集群度量用于识别共享和未知类.
• 一个使用最大平均差异的类明智的DA算法.
• 为增强集群进行 entropy 正规化.

主要成果:

• 提出的方法有效地探讨了目标数据的内在结构.
• 它改善了已知和未知的故障类别的分离.
• 在三个旋转机械数据集上证明了有效性,但监测数据不足.

结论:

• 开发的通用DA方法在数据稀缺的情况下增强了机械故障诊断.
• 它为识别未知的故障类型提供了强大的解决方案.
• 该方法为工业条件监测提供了有价值的工具.