开放集下机床关键部件故障诊断迁移方法

为了解决在开放集下的未知故障迁移问题,提出了基于理论边界优化的渐进式迁移学习网络.首先,对迁移学习模型的误差边界进行了分析,为模型优化提供理论指导;其次,设计基于对抗网络的双辨别器识别未知故障数据,通过粗辨别器输出相似性排序为精细辨别器进一步划分决策边界;最后,通过渐进式辨别器的输出对目标域样本和源域样本进行加权分布匹配.为了全面评估所提出模型的鲁棒性,设计了4种不同程度域偏移的故障迁移案例进行验证,实验结果表明:模型的平均类内识别精度为96.3%,相比其他迁移学习模型在不同开放度差异下表现出更优的诊断效果.