一个梯度对齐域对抗网络,用于无监督的智能故障诊断变速箱

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:

• 传统的故障诊断严重依赖于标记数据和特定的数据分布.
• 现有的域适应方法经常忽视特征梯度差异,导致错误分类和性能降低.
• 无监督域调整旨在减少对故障诊断的标记数据的依赖.

研究的目的:

• 提出一个新的梯度对齐域对抗网络 (GADAN),用于在故障诊断中进行无监督域适应.
• 通过考虑特征梯度分布以及数据分布来解决当前方法的局限性.
• 为了提高故障诊断的准确性和稳定性,转移学习.

主要方法:

• 最小化联合最大平均差异,以减少边际和条件分布差异.
• 采用伪标签策略,在目标领域进行自我监督学习的集群.
• 利用对抗性学习来对齐特征梯度分布,最大限度地减少域移动.
• 发展渐变对齐域对抗网络 (GADAN).

主要成果:

• GADAN有效地减少了域间数据和特征梯度分布之间的差异.
• 该方法通过自我监督的方法实现了目标域样本的高质量伪标签.
• 实验和工程应用验证了GADAN在转移诊断中的卓越性能.
• 加丹在各种工作条件和不同机器类型中表现出有效性.

结论:

• 通过对齐特征梯度,GADAN显著提高了故障诊断性能,克服了现有方法的局限性.
• 拟议的方法提供了一个强大的解决方案,用于在故障诊断中无监督的域调整.
• 在转移诊断中,GADAN被证明是有效的,即使域分布最初是相似的.