面向变工况下轴承故障诊断的对抗自适应一维卷积神经网络
信号处理
2018-05-10 v3 机器学习
声音
音频与语音处理
摘要
传统的滚动轴承智能故障诊断仅在标记训练数据（源域）与未标记测试数据（目标域）来自同一分布的常见假设下表现良好。然而，在许多实际应用中，该假设并不成立，尤其在工况变化时。本文提出一种称为 A2CNN 的新的对抗自适应一维 CNN 来解决此问题。A2CNN 由四部分组成，即源特征提取器、目标特征提取器、标签分类器和域判别器。源与目标特征提取器之间的层在训练阶段部分不共享，以同时兼顾训练效率与域适应。实验表明，A2CNN 具有较强的故障判别与域不变能力，从而能在不同工况下达到高准确率。我们还对所学特征和网络进行可视化，以探究所提模型高性能背后的原因。
引用
@article{arxiv.1805.00778,
title = {Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition},
author = {Bo Zhang and Wei Li and Jie Hao and Xiao-Li Li and Meng Zhang},
journal= {arXiv preprint arXiv:1805.00778},
year = {2018}
}