基于Wasserstein距离的深度对抗迁移学习用于智能故障诊断
机器学习
2022-06-17 v1 信号处理
机器学习
摘要
过去几年中，基于状态的维护策略对人工智能应用的需求惊人增长。智能故障诊断是机械系统维护方案的关键课题。深度学习模型，如卷积神经网络（CNNs），已成功应用于机械系统故障诊断任务并取得可喜结果。然而，针对工业中多样的工作条件，深度学习面临两重困难：其一，定义良好的（源域）与新（目标域）数据集具有不同特征分布；其二是目标域中标注数据不足或无标注数据显著降低了故障诊断精度。作为一种新思路，深度迁移学习（DTL）被创立以通过利用相关源域的信息在目标域中执行学习。受最优传输的Wasserstein距离启发，本文提出一种用于智能故障诊断的新型DTL方法，即基于Wasserstein距离的深度迁移学习（WD-DTL），以学习域特征表示（由基于CNN的特征提取器生成）并通过对抗训练最小化源域与目标域间的分布差异。所提WD-DTL的有效性通过3种迁移场景及16项无监督与有监督（含不足标注数据）学习的迁移故障诊断实验得到验证。我们还对这些迁移任务的网络可视化提供了综合分析。
引用
@article{arxiv.1903.06753,
title = {Wasserstein Distance based Deep Adversarial Transfer Learning for Intelligent Fault Diagnosis},
author = {Cheng Cheng and Beitong Zhou and Guijun Ma and Dongrui Wu and Ye Yuan},
journal= {arXiv preprint arXiv:1903.06753},
year = {2022}
}