基于结构化子域适应与域对抗学习的空间图卷积神经网络用于轴承故障诊断
系统与控制
2021-12-14 v1 机器学习
系统与控制
信号处理
摘要
无监督域适应（UDA）近年来在变工况下的轴承故障诊断中取得了显著成果。然而，大多数UDA方法未考虑数据的几何结构。此外，通常采用全局域适应技术，忽略了子域之间的关系。本文通过提出新颖的深度子域适应图卷积神经网络（DSAGCN）来解决上述挑战，其具有两个关键特征：第一，采用图卷积神经网络（GCNN）对数据结构进行建模；第二，同时应用对抗域适应和局部最大均值差异（LMMD）方法来对齐子域分布并减少相关子域与全局域之间的结构差异。使用CWRU和Paderborn轴承数据集验证了DSAGCN方法相较于对比模型的效率与优越性。实验结果表明，在无监督故障诊断中，将结构化子域对齐与域适应方法结合以获得准确的数据驱动模型具有重要意义。
引用
@article{arxiv.2112.06033,
title = {Spatial Graph Convolutional Neural Network via Structured Subdomain Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis},
author = {Mohammadreza Ghorvei and Mohammadreza Kavianpour and Mohammad TH Beheshti and Amin Ramezani},
journal= {arXiv preprint arXiv:2112.06033},
year = {2021}
}