基于选择性加权适配网络的多域新故障识别方法

摘要：

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题,提出了一种基于选择性加权适配网络的多域新故障识别方法.所提方法利用一维卷积神经网络提取源域与目标域深度判别特征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知故障和新故障的有效诊断.在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较,所提方法在所有任务上的调和平均值(E-score)达到0.8以上,验证了所提方法的有效性与优越性.

关键词：故障诊断、对抗学习、新故障、深度学习、迁移学习

所属期刊栏目：43

分类号：TH17

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;广东省基础与应用基础研究基金;广州市基础研究计划基础与应用基础研究项目;北京信息科技大学重点科研机构项目

在线出版日期：2023-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：270-279