多输出分类框架与频率层归一化用于电动机复合故障诊断
机器学习
2025-04-18 v2
摘要
本工作引入了一种多输出分类 (MOC) 框架，旨在针对部分标记 (PL) 目标域情景下的故障诊断进行领域适应，尤其是针对旋转机械的复合故障情况。与传统的多类分类 (MCC) 方法不同，后者将每种故障组合视为一个独立类别，本方法独立估计每种故障类型的严重程度，从而提高了可解释性和诊断准确性。该模型融合了多核最大均值差异 (MK-MMD) 和熵最小化 (EM) 损失，以促进从源域到目标域的特征迁移。此外，应用频率层归一化 (FLN) 以保留频域中的结构属性，这些属性受系统动力学影响且通常随转速变化而保持稳定。针对六个领域适应案例中的 PL 数据进行评估，结果表明 MOC 在宏平均 F1 分数上优于基线模型。此外，MOC 在诊断单个故障类型方面始终实现更好的分类性能，FLN 的适应性也优于其他归一化技术。
引用
@article{arxiv.2504.11513,
title = {Multi-output Classification Framework and Frequency Layer Normalization for Compound Fault Diagnosis in Motor},
author = {Wonjun Yi and Yong-Hwa Park},
journal= {arXiv preprint arXiv:2504.11513},
year = {2025}
}
备注
Extended version of "Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain" Will not be published in any conferences or journels