不平衡数据故障诊断的可转移公共特征空间挖掘( Transferable common feature space mining for fault diagnosis with imbalanced data - ScienceDirect )

N Lu T Yin

近十年来，人们提出了许多用于故障诊断的深度迁移学习方法。现有的一些方法主要是解决故障数据稀少和故障知识在不同领域、不同样本数下的传递问题。考虑到目前为止在不平衡和转移故障诊断方面的最佳性能，仍有很大的改进空间。现有的研究主要采用综合数据生成、加权样本或代价和迁移学习等技术来解决这一问题。然而，合成样本可能没有遵循真实的故障数据分布，或者过度利用已有的小数据，从而导致模型偏差或过拟合。此外，丰富的正常状态数据的价值还没有得到很好的挖掘，这些数据可能为故障判别提供必要的信息。针对这些问题，提出了一种新的两阶段可转换的故障诊断公共特征空间挖掘方法&公共特征与比较网络(CFCNet)。故障诊断任务分为公共特征学习和故障类别诊断两个阶段。在第一阶段，CFCNet训练一个弱监督域自适应卷积编码器学习多域数据的共同特征，有效地利用所有可用数据，称为共同特征网。第二阶段将训练好的公共特征网和一个唯一特征网相结合，构建双通道特征提取和比较体系结构。CFCNet可以挖掘不同故障的共性特征和独特特征。CFCNet基于特征级联和相似度计算结构，为故障诊断提供了一种有效的相似度估计机制。对CFCNet的训练采用了少镜头学习的训练策略，能够平衡训练进度而不是不平衡的数据。大量的实验验证了所提方法的优越性能。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate