用于数字孪生支持故障诊断的领域自适应神经网络
机器学习
2025-09-05 v1 人工智能
机器人学
系统与控制
系统与控制
摘要
数字孪生通过生成用于模型训练的模拟数据，为解决基于深度学习的故障诊断中缺乏足够标注数据的问题提供了一种有前景的解决方案。然而，模拟系统与真实系统之间的差异可能导致模型在实际场景中应用时性能显著下降。为了解决这一问题，我们提出了一种基于领域对抗神经网络（DANN）的故障诊断框架，该框架能够实现从模拟（源域）到真实（目标域）数据的知识迁移。我们使用公开的机器人故障诊断数据集对所提出的框架进行评估，该数据集包含由数字孪生模型生成的 3,600 个序列以及从物理系统收集的 90 个真实序列。将 DANN 方法与常用的轻量级深度学习模型（如 CNN、TCN、Transformer 和 LSTM）进行了比较。实验结果表明，引入领域自适应显著提升了诊断性能。例如，将 DANN 应用于基线 CNN 模型，使其在真实世界测试数据上的准确率从 70.00% 提升至 80.22%，证明了领域自适应在弥合从仿真到现实差距方面的有效性。
引用
@article{arxiv.2505.21046,
title = {A domain adaptation neural network for digital twin-supported fault diagnosis},
author = {Zhenling Chen and Haiwei Fu and Zhiguo Zeng},
journal= {arXiv preprint arXiv:2505.21046},
year = {2025}
}
备注
Preprint accepted by ICCAD 2025 at Barcelona