论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络

这篇具有很好参考价值的文章主要介绍了论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

标题:Novel Joint Transfer Network for Unsupervised Bearing Fault Diagnosis From Simulation Domain to Experimental Domain

期刊:IEEE-ASME TRANSACTIONS ON MECHATRONICS      (2022)

作者:Yiming Xiao, Haidong Shao,SongYu Han, Zhiqiang Huo,and Jiafu Wan

解决的问题:迁移诊断场景仅限于实验域,跨域边缘分布和条件分布难以同时对齐每个源域样本在域自适应过程中被分配同等重要

解决的方法:NJTN(一种新的从仿真域到实验域的无监督轴承故障诊断联合传输网络)

创新:

①探索数据-物理耦合驱动故障诊断方式(利用丰富故障标签信息的仿真数据构建源域,减少对试验台的依赖,满足不同工况下故障数据要求。)

②设计JMMD(嵌入联合MMD)的改进损失函数,实现无监督场景下边缘分布和条件分布同时对齐。

③基于域相似度开发了一种权重分配机制,抑制负迁移。

01 创新1的具体内容

采用集中质量法建立转子-轴承系统仿真模型来生成振动响应以构建源域

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

采用集中参数法来建立转子-齿轮的两个系统的仿真模型来生成震动响应来构建源域,得到三种不同的状态:外圈、内圈、滚子以及正常的。

(公式是建立仿真模型的运动方程)

得到的仿真数据时域图如下,可以看到仿真数据与试验台得到的数据的形态是非常非常不一致的,但是细看的话他们是有略微相似之处。比如以内圈为例,一股一股的跟仿真的一股一股的在大体上的轮廓上是有一定相似度的,同样,这个滚子也是一样的,一股一股一股。这就是说这个物理的模型确实是蕴含了实验数据中的一些特征信息的,说明他们的领域适配是有一定道理的。当然,在这里边,我们可以考虑进一步的调参、加更高的约束、加噪声等,让他们的相似度更接近,更贴合实测环境。【Case1和Case2分别是论文中做的两个实例的实验数据图】

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

02 创新2的具体内容

论文应用的经典网络是DANN,如下:

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

其中:

特征提取器Gf:用于学习域不变和判别特征表示;分类器Gy:负责分类;域鉴别器Gd:区分Gf变换的特征表示是来自源域还是目标域。其中Gf和Gd由梯度反转层连接(梯度反转层的作用是在不同分布的源域和目标域之间进行领域对齐。通过梯度反转层,源域特征提取器学习到的特征可以在目标域上得到更好的泛化,从而提高深度学习模型在跨域故障诊断任务中的性能。)

Θf,θy,θd分别是他们的参数,由于源域输进去的图片或者信号有label,因此可以算出他们的Loss。

正则化系数的作用:

1.平衡损失函数:正则化系数可以平衡类别交叉熵损失(Ly)和域判别交叉熵损失(Ld),从而在网络训练过程中实现对两种损失的有效权衡。

2.训练稳定性:正则化系数有助于控制模型复杂度,防止过拟合,从而提高模型的泛化能力和训练稳定性。

3.域适应能力:正则化系数可以调整域判别器(Gd)的学习速率,使其更快地适应源域和目标域之间的分布差异,从而更好地进行无监督跨域故障诊断。

Ks:健康状态的数量;Gyk(·):输出的第k个元素;I[·]:指示函数。

嵌入JMMD的改进损失函数的设计过程

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

尽管公式(3那里)捕获了联合分布 Ps 和 Pt 中不同变量之间的交互,并显式计算源域和目标域之间的联合分布差异,但通常仍然①不足以准确表征动态变化的数据分布。而DANN学习的差异是一个隐式距离,可以在数据中动态学习,所以就将这个公式嵌入到DANN的公共损失函数中。②JMMD对齐源域和目标域的联合分布,DANN减少边缘分布差异,这两个可以同时帮助在无监督场景中调整他们的条件分布,克服了单独边缘分布对齐的局限性。

论文提出的模型如下:

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

仿真流走了一股,实验流走了一股。然后在特征适配做了信息交互。这和现在发表的大量论文是非常相似的,无非原来就是从实验1到实验2,现在是从仿真到了实验。

03 创新3的具体内容

源域样本权重分配机制:

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

损失的改进非常有必要:计算异常样本和正常样本损失之间的大小,将损失往小的方向优化。

权重分配机制的作用是为源域样本分配不同的权重,以抑制负迁移并提高诊断准确性。这种机制通过测量源域样本与目标域样本之间的相似性来自适应地为每个源域样本分配特定权重。

实验及其部分结果(acc)展示分析:

论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络,故障诊断,机器学习,人工智能

实验结果不好(指的是这些方法都未超过90%)的可能原因:仿真数据与实验数据相差大。【解决办法前面也提到过了,可以给仿真的数据加约束,比如加噪声、进一步的调参等,主要就是对输入的源域做一些数据预处理,让它更接近于实验数据】

1:论文提出的  2:标准卷积神经网络;3:DANN;4:深度适应网络;5:联合适应网络;6:CORAL;7:嵌入JMMD+为源域分配的权重的损失+DANN的损失;8:仅使用权重分配机制。

未来的展望:

1、考虑到源域和目标域标签集在实际应用中难以保持一致,可以探索如何在标签不一致的场景中完成传输故障诊断任务;

2、单个源域不足以让分类器学习有关故障特征的足够信息,可以研究多个源域的故障诊断知识转移到目标域。

若对原文感兴趣建议细读~

如有需要,论文汇报的ppt可后台联系获取。

另:该文资料源自网络,仅用学术分享,不做商业用途,若有侵权,后台联系进行删除。文章来源地址https://www.toymoban.com/news/detail-820130.html

到了这里,关于论文阅读 1| 从仿真域到实验域无监督轴承故障诊断的新型联合传输网络的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【论文阅读】聚集多个启发式信号作为监督用于无监督作文自动评分

    本文提出一个新的无监督的AES方法ULRA,它不需要真实的作文分数标签进行训练; ULRA的核心思想是使用多个启发式的质量信号作为伪标准答案,然后通过学习这些质量信号的聚合来训练神经自动评分模型。 为了将这些不一致的质量信号聚合为一个统一的监督信号,我们将自动

    2024年02月16日
    浏览(41)
  • 【论文阅读】深度多视图聚类的自监督判别特征学习

    文章链接 聚类结构不明确 的某些视图所带来的负面影响,导致多视图聚类性能较差,所以本文提出SDMVC。 深度编码器用来独立的学习每个视图 ;为了利用互补信息, 将所有视图的嵌入特征串联起来形成全局特征 ,可以克服某些视图聚类结构不清晰的负面影响。以 自监督的

    2024年02月02日
    浏览(42)
  • 【论文阅读】MCTformer: 弱监督语义分割的多类令牌转换器

    Multi-class Token Transformer for Weakly Supervised Semantic Segmentation 本文提出了一种新的基于变换的框架来学习类特定对象定位映射作为弱监督语义分割(WSSS)的伪标签    可以利用标准视觉转换器中一个类令牌的参与区域来形成与类无关的定位映射,我们研究了转换器模型是否也可以通

    2024年04月17日
    浏览(55)
  • 【阅读论文】USAD:多变量时间序列上的无监督异常检测

    USAD : UnSupervised Anomaly Detection on Multivariate Time Series IT系统的自动监控是Orange目前面临的挑战。考虑到其IT运营所达到的规模和复杂性,随着时间的推移,用于推断正常和异常行为的测量所需的传感器数量急剧增加,使得传统的基于专家的监督方法变得缓慢或容易出错。在本文中

    2024年02月12日
    浏览(45)
  • 论文阅读|基于图神经网络的配电网故障定位方法

    来源:北京交通大学硕士学位论文,2022 电网拓扑形态多样,重构场景频繁,,传统故障定位方法的单一阈值设定无法满足要求,基于人工智能的配电网故障定位技术具有很大的应用潜力,但仍存在着拓扑关联性差、泛化能力弱、难以兼顾灵敏性与多场景适应性等问题。 以

    2024年02月09日
    浏览(49)
  • 自监督论文阅读笔记 RingMo: A Remote Sensing Foundation Model with Masked Image Modeling

            深度学习方法促进了遥感 (RS) 图像解释的快速发展。最广泛使用的训练范式是利用 ImageNet 预训练模型来处理指定任务的 RS 数据。然而,存在  自然场景与RS场景之间的领域差距 ,以及 RS模型泛化能力差 等问题。开发 具有通用 RS 特征表示的基础模型 是有意义的。

    2024年02月16日
    浏览(50)
  • 【论文阅读】基于纤维束成像的新型微结构信息引导的监督对比学习,自动识别视网膜丘视觉通路

    Li, S., Zhang, W., Yao, S., He, J., Zhu, C., Gao, J., Xue, T., Xie, G., Chen, Y., Torio, E. F., Feng, Y., Bastos, D. C. A., Rathi, Y., Makris, N., Kikinis, R., Bi, W. L., Golby, A. J., O’Donnell, L. J., Zhang, F. (2024). Tractography-based automated identification of the retinogeniculate visual pathway with novel microstructure-informed supervised contrast

    2024年02月01日
    浏览(38)
  • LabVIEW滚动轴承故障在线监测

    展示了如何将LabVIEW开发出一种有效的滚动轴承故障在线监测系统。介绍了该系统的开发过程、工作原理及其在实际应用中的效果。该系统成功地应用于对滚动轴承故障的早期诊断,提高了故障检测的准确性和效率。 滚动轴承在工作过程中会产生复杂的振动信号,包括非周期

    2024年01月22日
    浏览(38)
  • 【自监督论文阅读笔记】EVA: Exploring the Limits of Masked Visual Representation Learning at Scale

            本文推出了 EVA ,这是一个 以视觉为中心 的基础模型,旨在仅使用可公开访问的数据来 探索大规模 视觉表示的 局限性 。EVA 是一种经过预训练的普通 ViT,用于 重建 以可见图像块为条件的 屏蔽掉的 图像-文本对齐(image-text aligned)的视觉特征 。通过这个前置任

    2024年02月06日
    浏览(58)
  • 用于无监督视频异常检测的合成伪异常:一种简单有效的基于掩码自动编码器的框架 论文阅读

    论文标题:SYNTHETIC PSEUDO ANOMALIES FOR UNSUPERVISED VIDEO ANOMALY DETECTION: A SIMPLE YET EFFICIENT FRAMEWORK BASED ON MASKED AUTOENCODER 文章信息: 发表于:ICASSP 2023(CCF B) 原文链接:https://arxiv.org/abs/2303.05112 源码:无 由于用于训练的异常样本的可用性有限,视频异常检测通常被视为一类分类问题

    2024年02月04日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包