对于半监督的泛化故障诊断的对比辅助域名特异性删除网络
概括
这项研究引入了一种用于智能故障诊断的新型网络,该网络可以在未见条件下改进模型概括. 它有效地处理使用部分标记数据的域转移,提高现实应用程序的可靠性.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 工程 工程师 工程师 工程师
背景情况:
- 智能故障诊断模型由于在训练期间目标域无法使用时未知域转移而遭受性能下降.
- 现有的域泛化 (DG) 方法通常需要多个完全标记的源域,并忽略域特定信息变异.
研究的目的:
- 提出一个新的网络可靠的泛化故障诊断使用部分标记的源域.
- 通过解脱域不变和域特定信息来提取可转移的特征.
主要方法:
- 引入了一个对比辅助的域特异性删除网络 (CDSRN).
- 采用域特定特征删除分支来隔离域不变特征.
- 集成了一个代理对比表示增强模块,以改进功能学习.
主要成果:
- CDSRN有效地从域不变特征维度中提取概括信息.
- 该网络展示了改进的故障类歧视和域歧视特征学习.
- 实验研究证实了CDSRN在半监督泛化故障诊断中的有效性和竞争力.
结论:
- 拟议的CDSRN可以通过部分标记的源域实现可靠的泛化故障诊断.
- 该方法成功地减轻了领域转移的影响,增强了对未见的工作条件的模型稳定性.
