基于贝叶斯单源域领域泛化算法的天然气管道故障智能诊断OA北大核心CSTPCDEI

基于深度学习算法的故障智能诊断模型已被广泛应用于天然气管道运输安全领域,然而管道通常处于准稳态,使得训练集中的故障样本量受限。为此,针对天然气管道故障诊断中因训练集故障样本量有限,导致难以准确诊断的问题,提出了一种基于贝叶斯单源域领域泛化(BSDG)算法,部署了一种攻击防御策略,通过在攻击阶段明确伪目标域增强路径,并在防御阶段引导模型参数的后验分布向伪域样本得分更高的方向调整,增强模型在面对不同域扰动时的适应性和鲁棒性。研究结果表明:(1)基于贝叶斯网络建立的非定向攻击模型确保伪域样本既保留了与源域的相关性,又引入了足够的域差异来模拟潜在的目标域,由此提升了多源域和单源域设置下的领域泛化诊断准确率;(2)测试结果显示,BSDG算法在多源域泛化任务及两项单源域泛化任务中,相较于性能最优的对比算法,其准确率分别提高了9.79%、5.09%和27.98%;(3)裕度差异损失通过在学习决策边界的过程中引入不确定性,令分类器可以灵活且有效应对频繁的分布变化,显著性测试结果表明BSDG算法在多数场景下显著优于先进对比算法;(4)贝叶斯神经网络通过在权重上引入不确定性,有效提升了BSDG算法的泛化稳定性。结论认为,BSDG算法通过使用基于贝叶斯推理的攻击防御策略,有效扩展了源域模型的决策边界,解决了实际场景数据匮乏导致的深度神经网络泛化能力差的问题,为样本受限情形下的天然气管道故障诊断模型设计提供了理论支撑。