采用多分类器对齐的多源域对抗故障诊断方法研究

目前大多数跨域故障诊断方法都致力于研究如何实现单源域自适应。由于实际工业场景复杂多变,通常可以获得多个标记的源域,且多源域相比于单源域包含了更丰富的诊断知识。然而,如何从多个源域学习到更通用的诊断知识用于目标域的精确诊断是一个难题。为解决多源域自适应问题,提出了一种基于多分类器对齐的多源域对抗故障诊断方法。该方法首先为每个源域构建一个子网络,采用域对抗训练学习域不变特征,并基于各源域不同故障类型的域不变特征形成故障类型特征集;依次计算所有目标特征与源域各故障类型特征集的瓦瑟斯特分布距离,最小化分布距离向量的熵使子网络学习到更具故障代表性的特征;利用关联矩阵实现多分类器对齐,训练更稳定的决策边界。通过凯斯西储大学的轴承数据和工业实际的轴流风机数据进行的诊断实验验证了该方法的优越性和可行性。