[00115035]非典型工况下机械故障的对抗迁移诊断方法研究
联系人：
所在地：
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
技术详细介绍
机械智能故障诊断离不开海量的监测数据对模型进行训练,同时存在着一个基本假设：训练和测试数据均来自相同的特征分布。然而在实际工程中,机械设备在典型工况下故障数据丰富、非典型工况（不常用转速、异常监测位置及罕见部件）下可用数据稀缺,大大制约了故障诊断的工程应用。近年来,迁移学习理论在处理相关问题上展示出强大活力。但是现有方法仅能够处理与源域差别度不大的目标任务,在非典型工况下的特征迁移应用尚未成熟。鉴于此,本项目提出机械故障的对抗迁移诊断方法。首先采用目前人工智能领域最炙手可热的概念之一生成对抗神经网络建立深度迁移学习模型,即通过生成器进行特征提取,判别器进行域类型判别。然后在建立的生成器框架基础上,采用伪孪生神经网络进一步学习源域与目标域之间的域不变信息,以期实现非典型工况下数据的特征迁移和精确诊断。最后对所提出的新理论方法进行试验验证和完善。本项目为推动机械设备在非典型工况下实现故障的精准识别和实际工程应用,将具有重大意义。
