一种持续测试时间域调整方法,用于在动态操作条件下在线机械故障诊断

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:

• 工业监测数据流表现出动态变化,导致共变量和标签转移.
• 传统的转移学习方法难以实时适应这些变化,限制了故障诊断的准确性.
• 现有的方法缺乏适应性和在不断变化的操作条件下通用化.

研究的目的:

• 为在线机器故障诊断开发持续测试时间域调整 (CTDA) 方法.
• 在动态的工业环境中应对共同变量和标签转移的挑战.
• 提高故障诊断模型的实时适应性和通用性.

主要方法:

• 用于持续测试时间域调整 (CTDA) 的教师-学生框架.
• 一个类平衡的抽样机制通过强制执行统一的标签分布来减轻持续的条件标签转移.
• 一个共同的正负学习策略优化了模型培训,减少了伪标签噪音.
• 教师和学生模型之间的知识对齐解决了持续的共同变量转移.

主要成果:

• 拟议的CTDA方法在四个旋转机械数据集上显示出更好的性能.
• 当处理动态工业流数据时,平均诊断准确度提高了3.78%.
• 该方法有效地适应实时的连续数据转移.

结论:

• 开发的CTDA方法为在动态条件下在线机械故障诊断提供了强大的解决方案.
• 阶级平衡抽样,联合正负学习和知识对齐的结合显著提高了模型的适应性.
• 这项研究在不断发展的工业环境中为故障诊断提供了实际的进步.