为部分转移智能诊断提供与类一致的匹配注意力波形网络

科学领域:

• 机器学习 机器学习
• 工业故障诊断 产业故障诊断
• 域名适应 域名适应

背景情况:

• 现有的域调整 (DA) 方法在故障诊断中实现了高精度.
• 部分DA (PDA) 对于目标标签是源标签子集的工业场景至关重要.
• 目前的PDA方法难以区分普通和私人样本,导致负转移.

研究的目的:

• 提出一种用于部分域适应故障诊断的新方法.
• 为了应对在PDA中分离普通和私人样本的挑战.
• 提高工业环境中故障诊断的准确性和稳定性.

主要方法:

• 类一致性匹配使用标签共识得分来识别共同和私人样本.
• 无参数的同位素注意力波段块 (PCAWBs) 用于学习互补的空间和频域特征.
• 通过共享编码器提取的丰富域不变特征.

主要成果:

• 拟议的方法有效地识别共同和私人样本.
• PCAWB通过整合空间和频率信息来增强特征表示.
• 与最先进的PDA故障诊断方法相比,显著的性能改进在真实电机系统上得到了证明.

结论:

• 开发的类一致性匹配和PCAWB为PDA故障诊断提供了强大的解决方案.
• 该方法通过准确区分样本类型来减轻负面转移.
• 这种方法在工业应用中推进了智能故障诊断领域.