基于加权联合最大均值差异的多源多目标无监督域适应故障诊断
机器学习
2023-11-27 v2 人工智能
摘要
尽管数据驱动的智能故障诊断技术可取得显著成果，但其前提是训练与测试数据分布相同且有充足标注数据。实际场景中常存在多种运行状态，导致域偏移问题并阻碍故障诊断有效性。近期无监督域适应方法虽可实现跨域故障诊断，却难以有效利用多源域信息并同时实现多目标域中的有效故障诊断。本文创新性地提出一种基于加权联合最大均值差异的多源多目标无监督域适应方法（WJMMD-MDA），首次在故障诊断领域实现多源多目标场景下的域适应。所提方法从多个有标注源域中提取充足信息，并通过改进的加权距离损失实现源域与目标域间的域对齐。由此，学习了多源与目标域间域不变且具判别性的特征，实现了跨域故障诊断。该方法在三个数据集上的综合对比实验中评估，实验结果证明了该方法的优越性。
引用
@article{arxiv.2310.14790,
title = {Weighted Joint Maximum Mean Discrepancy Enabled Multi-Source-Multi-Target Unsupervised Domain Adaptation Fault Diagnosis},
author = {Zixuan Wang and Haoran Tang and Haibo Wang and Bo Qin and Mark D. Butala and Weiming Shen and Hongwei Wang},
journal= {arXiv preprint arXiv:2310.14790},
year = {2023}
}