基于域适应的变工况轴承故障诊断
声音
2017-08-01 v1
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）和未标记测试数据（目标域）来自同一分布的常见假设下表现良好。当分布改变时，大多数故障诊断模型需要使用新收集的标记训练数据从头重建。然而，标注大量训练数据以重建此类新模型是昂贵或不可能的。同时，大量标记训练数据尚未被充分利用，这显然是资源浪费。作为迁移学习的重要研究方向之一，域适应（DA）通常旨在最小化不同域分布之间的差异，以便通过充分利用来自源域和目标域的信息来最小化跨域预测误差。在本文中，我们提出了变工况滚动轴承故障诊断领域中关于无监督DA的最早研究之一，并提出了一种基于使用子空间对齐（SA）的无监督DA的新诊断策略。经过带SA的无监督DA处理后，训练数据和测试数据的分布变得接近，并且在训练数据上训练的分类器可用于对测试数据进行分类。给出了基于Case Western Reserve基准数据的60个变工况域适应诊断问题和我们新数据中的12个变工况域适应诊断问题的实验结果，以证明所提方法的有效性。所提方法不仅能有效区分轴承故障类别，还能区分故障严重程度。
引用
@article{arxiv.1707.09890,
title = {Bearing fault diagnosis under varying working condition based on domain adaptation},
author = {Bo Zhang and Wei Li and Zhe Tong and Meng Zhang},
journal= {arXiv preprint arXiv:1707.09890},
year = {2017}
}