深度元域对抗神经网络用于在多种操作条件下对机器故障进行诊断
Binbei He1, Huimin Wang1, Wei-Wei Che1
1College of Information Science and Engineering, Northeastern University, Shenyang, 110819, PR China.
ISA transactions
|April 5, 2025
概括
本研究介绍了一种新的元域对抗神经网络 (MDANN),用于在多种操作条件下对机器故障进行诊断. MDANN增强了对各种工业环境的模型适应性,提高了诊断准确度.
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:
- 机器故障诊断对于工业维护至关重要.
- 现有的方法在不同的操作条件和领域转移中扎.
- 转移学习模型的适应性是一个关键的挑战.
研究的目的:
- 开发一个适应多种操作条件的故障诊断模型.
- 为应对多目标域故障诊断的挑战.
- 在各种工业环境中提高诊断模型的稳定性.
主要方法:
- 开发了一个元域对抗神经网络 (MDANN) 框架.
- 采用超学习技术,将诊断视为多重任务.
- 连续的深度信念网络被用于数据预处理和异常值的删除.
- 对于部分域调整,引入了一种群体比较方法.
主要成果:
- MDANN模型展示了适应不同操作条件的适应性.
- 该方法成功处理了源域和目标域之间标签空间不同的场景.
- 轴承数据集的实验验证显示,与最先进的方法相比,其性能优越.
结论:
- 拟议的MDANN在多种操作条件下为机械故障诊断提供了优越和有效的解决方案.
- 该框架提高了复杂工业环境中的模型通用性和适应性.
- 这种方法推进了智能故障诊断系统的领域.
