当前位置: X-MOL 学术Measurement › 论文详情
Hybrid distance-guided adversarial network for intelligent fault diagnosis under different working conditions
Measurement ( IF 3.364 ) Pub Date : 2021-02-21 , DOI: 10.1016/j.measurement.2021.109197
Baokun Han; Xiao Zhang; Jinrui Wang; Zenghui An; Sixiang Jia; Guowei Zhang

Deep learning, especially transfer learning, has made a great deal of extraordinary achievements in intelligent fault diagnosis. In practical situations, data shift problem is inevitable due to complicated and changeable working conditions. Ignoring this problem may result in considerable degradation of diagnostic accuracy. Thus, domain distance is measured in only one metric space, and the result of domain alignment may not be ideal. This paper proposes a novel transfer learning method named hybrid distance-guided adversarial network (HDAN) to deal with this problem. Specifically, HDAN contains two parts: a feature extractor composed of a convolutional neural network and a shared classifier. Wasserstein distance and multi-kernel maximum mean discrepancy are applied in the proposed method to measure the domain distance in different metric spaces for improving the result of domain alignment. The domain distance of the last two hidden layers is minimized to improve the efficiency of domain-invariant feature extraction. Two experiments are implemented to confirm the superiority of the proposed method. The results of two experiments demonstrate that the proposed HDAN can achieve better feature cluster performance of the same class in different domains than the methods selected for comparison.



中文翻译:

混合距离导引对抗网络在不同工况下的智能故障诊断

深度学习,尤其是转移学习,在智能故障诊断中取得了非凡的成就。在实际情况下,由于工作条件复杂多变,不可避免地会发生数据转移问题。忽略此问题可能会导致诊断准确性大大降低。因此,仅在一个度量空间中测量域距离,并且域对齐的结果可能不是理想的。针对这一问题,本文提出了一种新颖的转移学习方法,称为混合距离导引对抗网络(HDAN)。具体来说,HDAN包含两个部分:由卷积神经网络和共享分类器组成的特征提取器。提出的方法利用Wasserstein距离和多核最大均值差异来测量不同度量空间中的域距离,以改善域对齐的结果。最后两个隐藏层的域距离被最小化,以提高域不变特征提取的效率。进行了两个实验,以确认该方法的优越性。两次实验的结果表明,与选择进行比较的方法相比,所提出的HDAN可以在不同的领域中实现更好的特征类聚类性能。进行了两个实验,以确认该方法的优越性。两次实验的结果表明,与选择进行比较的方法相比,所提出的HDAN可以在不同的领域中实现更好的特征类聚类性能。进行了两个实验,以确认该方法的优越性。两次实验的结果表明,与选择进行比较的方法相比,所提出的HDAN可以在不同的领域中实现更好的特征类聚类性能。

更新日期:2021-02-23
全部期刊列表>>
牛年开工季右侧
JCR Q1医学全学科
新春生命科学
新春医学
SN Applied Sciences期刊征稿中
空气污染与健康
虚拟特刊
亚洲大洋洲地球科学
NPJ欢迎投稿
自然科研论文编辑
ERIS期刊投稿
欢迎阅读创刊号
自然职场,为您触达千万科研人才
spring&清华大学出版社
城市可持续发展前沿研究专辑
Springer 纳米技术权威期刊征稿
全球视野覆盖
施普林格·自然新
chemistry
物理学研究前沿热点精选期刊推荐
自然职位线上招聘会
欢迎报名注册2020量子在线大会
化学领域亟待解决的问题
材料学研究精选新
GIANT
ACS ES&T Engineering
ACS ES&T Water
屿渡论文,编辑服务
阿拉丁试剂right
上海中医药大学
南科大-连续三周2.26
西湖大学
化学所
北京大学
厦门大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
清华
南方科技大学
夏禾科技
天合科研
x-mol收录
试剂库存
down
wechat
bug