将频率引导融入多源域泛化用于轴承故障诊断
机器学习
2025-02-04 v1 人工智能
计算机视觉与模式识别
摘要
最近的泛化故障诊断研究有效解决了未见工况间的分布偏移问题。其中大多数研究主要侧重于通过特征级方法学习域不变表示。然而，未见域数量的增加可能导致域不变特征包含实例级虚假相关性，从而影响先前模型的泛化能力。为解决这些局限性，我们提出了基于傅里叶的增强重建网络，即 FARNet。该方法源于观察到傅里叶相位分量和幅度分量保留了信号的不同语义信息，可用于域增强技术。该网络包含一个幅度谱子网络和一个相位谱子网络，依次减少源域和目标域之间的差异。为构建更鲁棒的泛化模型，我们在频域中采用了多源域数据增强策略。具体而言，引入了一个频率-空间交互模块（FSIM）来处理全局信息和局部空间特征，促进两个子网络之间的表示学习。为优化模型输出的决策边界，我们提出了一种流形三元组损失，以替代传统的三元组损失，从而提升泛化能力。通过在 CWRU 和 SJTU 数据集上的大量实验，FARNet 展示了有效的性能，并在基准测试上取得了优于当前跨域方法的结果。
引用
@article{arxiv.2502.00545,
title = {Integrating Frequency Guidance into Multi-source Domain Generalization for Bearing Fault Diagnosis},
author = {Xiaotong Tu and Chenyu Ma and Qingyao Wu and Yinhao Liu and Hongyang Zhang},
journal= {arXiv preprint arXiv:2502.00545},
year = {2025}
}