题名 基于深度条件子域自适应网络的轴承跨域故障诊断研究
1
作者
范永胜
丁雪
邓艾东
机构
国家能源集团江苏电力有限公司
大型发电装备安全运行与智能测控国家工程研究中心
东南大学能源与环境学院
出处
《动力工程学报》
CAS
CSCD
北大核心
2024年第1期62-67,83,共7页
基金
江苏省重点研发计划资助项目(BE2020034)
江苏省碳达峰碳中和科技创新专项资金资助项目(BA2022214)。
文摘
针对无监督跨域故障诊断领域存在标注数据不足、模型诊断精度低等问题,提出了一种新型深度条件子域自适应网络(DCSAN)。该网络将分类器预测的置信度映射到共享特征提取器所提取的特征中,以获得多模态映射特征,之后利用多核局部最大平均差异(MK-LMMD)度量不同域间多模态映射特征之间的距离。然后,通过最小化MK-LMMD和分类器损失函数,实现了源域和目标域相应子域分布的对齐。最后,在江南大学轴承数据集上对所提方法的可行性进行了验证。结果表明:在6个变工况迁移任务中,DCSAN模型的平均诊断准确率分别比深度适配网络(DAN)、域相关性对齐方法(D-CORAL)和基于对抗学习域适应方法(DANN)模型高出9.5百分点、8.0百分点和13.6百分点;所提DCSAN模型在子域对齐和跨域自适应故障诊断方面具有一定的有效性和优越性。
关键词
无监督
条件子域自适应
变工况
故障诊断
Keywords
unsupervised
conditional subdomain adaptation
variable work conditions
fault diagnosis
分类号
TH133
[机械工程—机械制造及自动化]
题名 基于子域自适应的雷达复合干扰识别研究
2
作者
黄文青
王佳宾
机构
哈尔滨工程大学
出处
《信息技术与信息化》
2024年第7期130-134,共5页
文摘
针对复杂电磁环境下雷达复合干扰标签获取困难的问题,基于迁移学习中的子域自适应方法,提出了SimAM-DSAN雷达复合干扰识别算法。首先,将复合干扰信号划分为带标签样本的源域和不带标签样本的目标域,并将干扰信号输入模型;然后,通过引入SimAM注意力机制的ResNet50网络提取样本的深度特征,将特征映射到再生Hilbert空间,并基于LMMD准则对其相关子域的分布,扩展深度适应网络的特征表达能力;最后,结合LMMD自适应损失和交叉熵分类损失构造联合损失函数,通过不断迭代训练,最小化损失函数。仿真结果表明,SimAM-DSAN算法在干噪比为-2 dB的情况下,对无标签复合干扰的识别率为97.5%。通过与其他域适应算法对比,所提出的算法在不同数量样本下均表现出最高的准确率。
关键词
复合干扰
迁移学习
子域自适应
注意力机制
深度学习
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
题名 子域自适应网络跨被试情绪识别算法
被引量:2
3
作者
郭苗苗
陈昕彤
王磊
李梦凡
蔡梓良
徐桂芝
机构
河北工业大学电气工程学院省部共建电工装备可靠性与智能化国家重点实验室
河北工业大学电气工程学院天津市生物电工与智能健康重点实验室
出处
《信号处理》
CSCD
北大核心
2022年第10期2211-2220,共10页
基金
国家自然科学基金(51707054,61806070,5197071194)
天津市自然科学青年基金(20JCQNJC00710)。
文摘
为解决由于脑电信号(EEG)的非平稳性及个体差异性造成的情绪识别模型在不同时间、不同被试间泛化性能低的问题,提出全局域适应与相关子域自适应串联系统(SS_GDAN_RSAN)模型来实现跨被试的情感识别。将整个情感识别模型分为特征提取器、全局域分类器和子域域分类器。首先在浅层神经网络中由特征提取器和全局域分类器产生域不变表达,通过最小化源域数据分类损失及源域与目标域数据的分布差异损失进行全局域自适应;其次在深层神经网络中,基于局部最大平均差异度量源域和目标域中相关子域数据的分布差异,通过最小化源域数据分类损失和子域自适应损失训练子域域分类器,进而捕获每个类别的细粒度信息实现子域自适应。实验结果表明SS_GDAN_RSAN算法简单有效,在多对一的跨被试迁移实验中识别率达到84.05%±5.91%,在单被试跨时间迁移实验中识别率达到91.66%±7.32%。与传统分类器模型相比,SS_GDAN_RSAN对跨被试、跨时间情绪分类任务泛化能力的提高取得显著效果。
关键词
情绪识别
脑电信号
跨被试
子域自适应
Keywords
emotion recognition
electroencephalogram
cross-subject
subdomain adaptive
分类号
R318.04
[医药卫生—生物医学工程]
题名 多源域子域自适应的滚动轴承剩余寿命预测方法
被引量:5
4
作者
黄庆卿
胡欣堪
韩延
林志超
张焱
机构
重庆邮电大学自动化学院
重庆邮电大学工业互联网研究院
出处
《电子测量与仪器学报》
CSCD
北大核心
2022年第10期100-107,共8页
基金
国家自然科学基金(51605065)
重庆市博士后科学基金(cstc2021jcyj-bshX0094)
重庆市教委科学技术研究(KJQN202100612,KJQN202000611)项目资助
文摘
针对单一源域信息有限、域自适应对齐粒度不足导致滚动轴承剩余寿命(remain useful life,RUL)预测精度低的问题,提出了一种多源域子域自适应(multi-source subdomain adaption network,MS_SAN)的滚动轴承剩余寿命预测方法。首先,将采集的原始振动信号进行快速傅里叶变换得到频域信号作为模型的输入。其次,利用一维卷积将多个源域与目标域数据映射到一个公共的特征空间,采用局部最大均值差异将每个源域与目标域的退化阶段在独立的特征空间进行领域自适应,缩小多个源域与目标域之间的分布差异。最后,通过综合各领域RUL预测模块的输出得到最终轴承剩余寿命预测结果。在PHM2012数据集上的测试结果表明该方法的预测准确率高于对比方法,能够对滚动轴承剩余寿命进行有效的预测。
关键词
滚动轴承
剩余使用寿命
多源域
子域自适应
Keywords
rolling bearing
RUL
multi-source
sub-domain adaption
分类号
TH133.33
[机械工程—机械制造及自动化]
题名 深度加权子域自适应网络
被引量:2
5
作者
吴兰
李崇阳
机构
河南工业大学电气工程学院
出处
《郑州大学学报(理学版)》
北大核心
2022年第1期54-61,共8页
基金
国家自然科学基金项目(61973103)
河南大学重点科研资助项目(19A120002)。
文摘
部分领域自适应作为领域自适应一种特殊且重要的场景,由于其存在的异常源类经常导致负迁移,从而造成训练和建模效果不理想,为此提出了一种深度加权子域自适应网络。该网络针对深度网络提取的类别特征中存在异常源类造成的负迁移,设置重要性加权自适应权重调节机制,解决异常源类造成的分类精度较低的问题;并提出局部加权最大均值差异策略,对齐相关子域的分布,获取更多的细粒度信息,解决全局对齐中迁移性能不高的问题。在Office-31、Office-Home数据集上与PADA、SAN、IWAN等方法的仿真对比实验结果表明,该方法可以获得比现有主流方法更高的分类准确率,有效地解决迁移过程中异常源类造成的负迁移问题,并且水下数据集用于域适应的平均准确率达到90.55%。
关键词
领域自适应
子域自适应
分布差异
最大平均差异
迁移学习
Keywords
domain adaptation
subdomain adaptation
distribution difference
maximum mean difference
transfer learning
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于深度自编码器子域自适应的跨库语音情感识别
被引量:4
6
作者
庄志豪
傅洪亮
陶华伟
杨静
谢跃
赵力
机构
河南工业大学粮食信息处理与控制教育部重点实验室
南京工程学院信息与通信工程学院
东南大学信息科学与工程学院
出处
《计算机应用研究》
CSCD
北大核心
2021年第11期3279-3282,3348,共5页
基金
国家自然科学基金资助项目(62001215,61601170)
河南省教育厅自然科学项目(21A120003)
+1 种基金
河南省科技厅科技攻关项目(202102210340)
河南工业大学高层次人才启动项目(2018BS037)。
文摘
针对不同语料库之间数据分布差异问题,提出一种基于深度自编码器子域自适应的跨库语音情感识别算法。首先,该算法采用两个深度自编码器分别获取源域和目标域表征性强的低维情感特征;然后,利用基于LMMD(local maximum mean discrepancy)的子域自适应模块,实现源域和目标域在不同低维情感类别空间中的特征分布对齐;最后,使用带标签的源域数据进行有监督地训练该模型。在eNTERFACE库为源域、Berlin库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了5.26%~19.73%;在Berlin库为源域、eNTERFACE库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了7.34%~8.18%。因此,所提方法可以有效地提取不同语料库的共有情感特征并提升了跨库语音情感识别的性能。
关键词
跨库语音情感识别
深度自编码器
子域自适应
监督学习
Keywords
cross-corpus speech emotion recognition
deep autoencoders
subdomain adaptation
supervised learning
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 基于子域自适应对抗网络的轴承故障诊断
被引量:2
7
作者
周华锋
程培源
邵思羽
赵玉伟
机构
空军工程大学防空反导学院
出处
《振动与冲击》
EI
CSCD
北大核心
2022年第11期114-122,共9页
基金
国家自然科学基金(52106191)
陕西省自然科学基础研究计划(2020JQ-475)。
文摘
现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降。针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络。该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度。最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度。
关键词
故障诊断
子域自适应
动态卷积
变工况
Keywords
fault diagnosis
subdomain adaptation
dynamic convolution
variable working conditions
分类号
TH212
[机械工程—机械制造及自动化]
TH213.3
[机械工程—机械制造及自动化]