基于样本自适应条件对抗网络的齿轮箱跨域故障诊断研究OA北大核心CSTPCD
基于对抗训练的深度领域适应在旋转部件跨域故障诊断中应用效果良好。然而,现有研究主要致力于降低边缘分布差异而忽略对类别分布信息的挖掘,导致其在复杂场景下诊断准确性不足。针对该问题,提出一种样本自适应条件对抗网络,通过分解抽象特征和评估样本置信度挖掘类别分布特征,增强对抗训练的域适配能力,从而有效提高跨域诊断性能。通过齿轮箱故障诊断实验验证所提方法在实际应用中的有效性和优越性。
赵敏;范永胜;邓艾东;邓敏强;
东南大学能源与环境学院大型发电装备安全运行与智能测控国家工程研究中心,南京210096国家能源集团江苏电力有限公司,南京215433
计算机与自动化
故障诊断深度领域适应对抗训练条件对抗网络齿轮箱
《噪声与振动控制》 2024 (005)
P.166-171 / 6
江苏省碳达峰碳中和科技创新专项资金资助项目(BA2022214);江苏省重点研发计划资助项目(BE2020034)。
评论