面向部分与开放部分域自适应的未见故障可控生成
机器学习
2024-09-02 v2
摘要
由于训练与测试数据分布之间的域偏移，新运行条件会导致故障诊断模型性能显著下降。尽管已提出若干域自适应方法来克服此类域偏移，但若两域所代表的故障类别不相同，其应用便受限。为使训练模型能在两不同域间更好地迁移，尤其在仅健康数据类在两域间共享的设置下，我们提出一种基于Wasserstein GAN生成 distinct 故障特征的部分与开放部分域自适应新框架。所提框架的主要贡献在于具有两个主要 distinct 特征的可控合成故障数据生成。首先，该方法仅利用目标域中的健康样本与源域中的故障样本，便能生成目标域中未观测到的故障类型。其次，故障生成可控，以精确生成 distinct 故障类型与故障严重程度等级。所提方法特别适用于极端域自适应设置，这类设置在复杂且安全关键系统背景下尤为相关，即两域间仅共享一个类别。我们在两个轴承故障诊断案例研究的部分以及开放部分域自适应任务上评估了该框架。在不同标签空间设置下进行的实验展示了所提框架的通用性。给定大域间隙时，所提方法相较其他方法提供了更优结果。
引用
@article{arxiv.2204.14068,
title = {Controlled Generation of Unseen Faults for Partial and Open-Partial Domain Adaptation},
author = {Katharina Rombach and Gabriel Michau and Olga Fink},
journal= {arXiv preprint arXiv:2204.14068},
year = {2024}
}