无监督深度迁移学习在智能故障诊断中的应用：综述与对比研究
信号处理
2021-11-23 v2 机器学习
摘要
智能故障诊断（IFD）的近期进展极大依赖于深度表示学习与大量标注数据。然而，机器常在不同工况下运行，或目标任务与用于训练所采集数据的分布不同（域偏移问题）。此外，目标域中新采集的测试数据通常无标签，导致了基于无监督深度迁移学习（UDTL-based）的 IFD 问题。尽管其已取得巨大发展，但针对 UDTL-based IFD 的标准开源代码框架及对比研究尚未建立。本文构建了新的分类体系，并依据不同任务对 UDTL-based IFD 进行了全面综述。对一些典型方法与数据集的对比分析揭示了 UDTL-based IFD 中一些鲜有研究且关键的问题，包括特征可迁移性、骨干网络影响、负迁移、物理先验等。为强调 UDTL-based IFD 的重要性与可复现性，整套测试框架将向研究界发布以促进未来研究。总之，所发布的框架与对比研究可作为开展 UDTL-based IFD 新研究的扩展接口与基础结果。代码框架见 \url{https://github.com/ZhaoZhibin/UDTL}。
引用
@article{arxiv.1912.12528,
title = {Applications of Unsupervised Deep Transfer Learning to Intelligent Fault Diagnosis: A Survey and Comparative Study},
author = {Zhibin Zhao and Qiyang Zhang and Xiaolei Yu and Chuang Sun and Shibin Wang and Ruqiang Yan and Xuefeng Chen},
journal= {arXiv preprint arXiv:1912.12528},
year = {2021}
}
备注
This paper has been accepted by IEEE Transactions on Instrumentation and Measurement