机床与液压

作者：徐宁富，彭云建，张清华

单位：华南理工大学自动化科学与工程学院；华南理工大学自动化科学与工程学院；华南理工大学自动化科学与工程学院;广东石油化工学院，广东省石化装备故障诊断重点实验室

关键词：数据增强;领域泛化;生成对抗;卷积神经网络;跨域故障诊断

基金：国家自然科学基金项目（6193000428）

在实际故障诊断任务中，待诊断任务往往不可预知，现有的一些迁移学习方法在构建迁移模型时，大多只集中在单一数据来源的学习上，并且极大依赖于目标域数据的样本数量等。针对此问题，提出一种基于数据增强与领域泛化的故障诊断方法。提出一种将一维振动信号转换为二维特征指标灰度图的数据预处理方法；利用带有梯度惩罚的深度条件Wasserstein对抗网络对多源域数据进行数据增强；最后，采取多域对抗学习策略，缩小多域间的分布差异，从而实现各域的特征域自适应。在轴承数据集上对所提方法的有效性和可靠性进行了充分的实验验证。实验结果表明：所提方法具有较高的稳定性和泛化性能，并且诊断精度优于其他方法。

来源：2024年第16期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第16期