用于领域自适应智能故障诊断的校准自适应教师

基于深度学习的智能故障诊断 (IFD) 已被证明是一种有效且灵活的解决方案，吸引了广泛的研究。深度神经网络能够从大量具有代表性的标注数据中学习丰富的表示，适用于各种应用。在 IFD 中，它们以端到端的方式从信号中实现高分类性能，而无需广泛的领域知识。然而，深度学习模型通常仅在它们训练时所用的数据分布上表现良好。当应用于不同的分布时，它们可能会出现性能下降。这在 IFD 中同样存在，资产通常在与收集标注数据不同的工作条件下运行。无监督领域自适应 (UDA) 处理的是源域中有标注数据可用，而目标域中仅有无标注数据可用的场景，其中域可能对应于不同的工作条件。最近的方法依赖于使用目标样本的置信伪标签进行训练。然而，伪标签的基于置信度的选择受到目标域中置信度估计校准不良的阻碍，这主要是由于过度自信的预测，从而限制了伪标签的质量并导致误差累积。在本文中，我们提出了一种名为 Calibrated Adaptive Teacher (CAT) 的新型 UDA 方法，其中我们提出在整个自训练过程中利用事后校准技术来校准教师网络的预测。我们在领域自适应 IFD 上评估了 CAT，并在 Paderborn 轴承故障诊断基准上进行了不同工作条件下的广泛实验。我们提出的方法在大多数迁移任务上实现了 SOTA 性能。