基于物理信息的深度学习与部分迁移学习用于 bearing 故障诊断中的高度缺失数据问题
信号处理
2025-11-04 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
轴承故障诊断中最显著的障碍之一是缺乏针对各种故障类型的标记数据。此外，传感器获取的数据经常缺少标签且存在大量缺失数据。本文通过提出基于物理信息的深度学习技术以生成合成标记数据来解决上述问题。标记的合成数据构成源域，而具有缺失数据的无标签数据则存在于目标域。因此，出现类别不平衡问题和部分集故障诊断挑战。为解决这些挑战，采用 RF-Mixup 方法处理类别不平衡问题。作为域适应策略，采用 MK-MMSD 和 CDAN 来缓解合成数据与实际数据之间的分布差异。此外，通过在类别和实例水平上应用加权方法来解决部分集挑战。在 CWRU 和 JNU 数据集上的实验结果表明，所提出的方法有效地解决了这些问题。
关键词
引用
@article{arxiv.2406.11023,
title = {Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data},
author = {Mohammadreza Kavianpour and Parisa Kavianpour and Amin Ramezani},
journal= {arXiv preprint arXiv:2406.11023},
year = {2025}
}