基于域对抗统计特性增强的跨域故障诊断方法

故障诊断对于保障大型机械设备安全稳定运行具有十分重要的意义,但获得的数据存在严重标签缺失或缺少的问题,且不同工况下的数据特征分布显著不同。传统机器学习或微调的方法存在特征提取模式单一、视角固定的局限性,使得同类不同域的特征难以对齐。针对以上问题,文中提出了一种基于域对抗统计特性增强的跨域故障诊断方法DASEM(Domain-Adversarial Statistical Enhancement Model)。该方法采用直推式深度迁移学习技术,在域对抗框架下增强全局统计特性的表示,并与局部结构模式融合,构建双路径特征提取器。同时,利用域标签和数据结构之间的平衡关系来描述域对抗的表现形式,并通过类标签输出故障诊断结果。在西储大学轴承数据集和江南大学轴承数据集上的实验结果显示,DASEM在各个跨域任务上的平均精度分别达到了94.90%和93.15%,证明了该方法的有效性。