基于标签可靠性的无源域适应用于轴承故障诊断
机器学习
2025-03-13 v1 人工智能
摘要
无源域适应（SFDA）已被用于在不访问源数据的情况下进行跨域轴承故障诊断。当前方法选择具有可靠伪标签的部分目标样本进行模型适应，由于忽略了目标样本而并非最优。我们认为每个目标样本都能为模型适应贡献，因此本文提出一种新颖的SFDA方法，用于轴承故障诊断，既利用可靠伪标签又利用不可靠伪标签。我们 developed a 基于数据增强的标签投票策略，将目标样本分为可靠样本和不可靠样本。我们提出通过将可靠伪标签作为真实标签来探索特征空间与标签空间之间的潜在关系，同时通过最大化不可靠伪标签的熵来缓解负迁移。该方法通过充分利用可靠和不可靠伪标签，在判别性和多样性之间实现良好平衡。我们在两个轴承故障基准数据集上进行了广泛实验，证明该方法在现有SFDA-based轴承故障诊断方法上显著提升了性能。我们的代码已公开：https://github.com/BdLab405/SDALR。
引用
@article{arxiv.2503.08749,
title = {Source-free domain adaptation based on label reliability for cross-domain bearing fault diagnosis},
author = {Wenyi Wu and Hao Zhang and Zhisen Wei and Xiao-Yuan Jing and Qinghua Zhang and Songsong Wu},
journal= {arXiv preprint arXiv:2503.08749},
year = {2025}
}
备注
15 pages, 12 figures and 7 tables