基于集成域自适应的构造式增量学习在滚动轴承故障诊断中的应用
人工智能
2023-08-30 v1 机器学习
信号处理
摘要
鉴于滚动轴承故障诊断作为跨多种工况的实际问题普遍存在，样本有限进一步加剧了挑战。此外，外部环境的复杂性与滚动轴承的结构常表现为具有随机性和模糊性的故障，阻碍了故障特征的有效提取并限制了故障诊断的精度。为克服这些问题，本文提出一种称为基于构造式增量学习的集成域自适应（CIL-EDA）新方法。具体而言，该方法在随机配置网络（SCN）上实现，以构造式提升其在多域中的自适应性能。具体地，采用云特征提取方法结合小波包分解（WPD）从多分辨率方面捕获故障信息的不确定性。随后，首先提出基于构造式增量学习的域自适应（CIL-DA），通过域匹配增强各隐节点的跨域学习能力，并利用来自目标域与源域的有限标注数据构建鲁棒故障分类器。最后，通过集成 CIL-DA 与并行集成学习的 CIL-EDA 多数投票获得故障诊断结果。实验结果表明，我们的 CIL-DA 优于多种域自适应方法，且 CIL-EDA 在少样本场景下持续优于最先进的故障诊断方法。
引用
@article{arxiv.2308.14983,
title = {Constructive Incremental Learning for Fault Diagnosis of Rolling Bearings with Ensemble Domain Adaptation},
author = {Jiang Liu and Wei Dai},
journal= {arXiv preprint arXiv:2308.14983},
year = {2023}
}