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

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_第1张图片

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_第2张图片

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_第3张图片

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_第4张图片

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_第5张图片

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_第6张图片

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_第7张图片

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。

你可能感兴趣的:(故障诊断,机器学习,人工智能)