A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagno
基于卷积自编码器的机械故障诊断深度迁移学习网络
- 摘要
-
- CAE去噪
- 不同噪声下准确率比较
- 各模型得到的T-SNE映射
-
- 三级目录
摘要
基于深度学习的方法已在旋转机械故障智能诊断领域取得了显著成效。然而，在工程实践场景中通常面临标注数据稀缺以及跨条件环境下的数据分布差异问题。针对这些问题提出了解决方案——迁移学习方法的应用。为了优化迁移效果并克服噪声干扰的影响，在本研究中提出了一种新型深度迁移学习框架——基于卷积自编码器的深度迁移学习网络（CAE-DTLN）。该框架实现了无标注数据条件下目标域机械故障的检测目标。研究工作采用了卷积自编码器作为特征提取模块，并结合去噪特性实现了潜在能力的有效提升。同时，在网络训练过程中综合考虑了特征对齐损失与域分类损失的关系，在提升模型区分度的同时增强了跨模态映射能力。为了验证该方法的有效性及其优越性特点，在不同工作负荷参数及噪声水平下进行了实际应用测试，并与现有几种典型迁移学习算法进行了对比分析。测试结果显示：CAE-DTLN模型在测试过程中表现出极高的诊断精度（准确率达到99.1%以上），并且展现出良好的泛化性能优势；此外还观察到该模型具有较强的抗噪声干扰能力表现（最大噪声容忍度超过85%）。
最大平均差异（Maximum Mean Difference, MMD）[19-22]及其相关比对（CORrelation Alignment, CORAL）损失
本文的主要贡献体现在以下几个方面:第一点,相较于基于CNN的其他转移诊断方法,本文采用了独特的架构设计,将主成分分析技术(CAE)作为特征提取模块,不仅能够有效提取故障特征,同时有效地抑制噪声干扰;第二点,通过融合多种损失函数指标与对抗性学习策略,提出了一种创新性的域适应方案;第三点,针对复杂工业场景下的应用需求,构建了一种全新的智能识别体系(CAE-DTLN框架),实验证明该方案较现有的主流方法在跨领域识别能力方面表现更为突出
采用CAE作为特征提取器，在实际应用中能够自主识别并关联具有跨模态不变性的关键特征参数。随后基于提取出的特征向量,通过等价于采用Softmax架构的设计实现故障类型识别功能。在此基础上,开发了一种新型的领域自适应机制,整合了基于CORAL损失函数与领域区分损失的关键组件,并将CORAL损失项依据参考文献[19]配置至第7块单元中以增强各子系统间的分布一致性
CAE去噪
不同噪声下准确率比较
各模型得到的T-SNE映射
