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。

正交约束域适应的跨工况滚动轴承剩余使用寿命预测方法

针对跨工况轴承剩余使用寿命(RUL)预测模型的决策边界不明显、特征可辨识性低的问题,该文提出一种正交约束的最大分类器差异方法(MCD_OC)。首先,将采集的轴承原始振动信号进行快速傅里叶变换,得到振动信号的频域信号作为模型的输入;然后,通过卷积神经网络(CNN)和门控循环神经网络(GRU)提取轴承信号的深层时空特征,利用最大分类器差异将源域和目标域特征对齐,并对目标域轴承深层特征进行正交约束,增大无标签目标域样本特征之间的可辨识性;最后,基于轴承寿命数据集开展了跨工况轴承寿命预测对比实验,对该文所提方法进行评估,并在多组实验中取得最优结果。

组合标记的多视图半监督协同分类算法

为了提高多视图半监督协同算法的性能,并针对算法应用范围受限的问题,提出了一种组合标记规则的协同训练方法。该算法将一致性与非一致性标记规则相结合,若分类器具有相同标记则将对应样本加入到相应的样本集中;若标记不同且两分类器对应的标记置信度差值超过了一定的阈值,则采用高置信度分类器的标记结果,并将样本添加到相应的样本集中。通过判断两分类器对相应样本的标记是否一致以及差异性阈值对未标记样本进行组合标记,并利用分类器差异性判断原则更新分类模型,充分利用未标记样本中的有用信息将分类器性能提高5%以上。所提出的算法在桥梁结构健康监测数据集及标准UCI数据集上的实验结果验证了算法在多视图分类问题上的有效性和可行性。