A Variational Auto-Encoder-Based Multisource Deep Domain Adaptation Model Using Optimal Transport for Cross-Machine Fault Diagnosis of Rotating Machinery

计算机科学 编码器 断层(地质) 领域(数学分析) 人工智能 自编码 交叉验证 领域(数学) 可靠性(半导体) 特征提取 特征(语言学) 模式识别(心理学) 数据挖掘 机器学习 算法 深度学习 数学 功率(物理) 语言学 物理 哲学 量子力学 地震学 地质学 操作系统 数学分析 纯数学
作者
Shi-Zheng Yuan,Zhaohua Liu,Hua‐Liang Wei,Lei Chen,Mingyang Lv,Xiao-Hua Li
出处
期刊:IEEE Transactions on Instrumentation and Measurement [Institute of Electrical and Electronics Engineers]
卷期号:73: 1-11
标识
DOI:10.1109/tim.2023.3331436
摘要

In recent years, most existing domain-adapted bearing fault diagnoses for rotating machinery are designed to decrease domain drifts for various operating conditions with an assumption that sufficient tag data are available. To overcome data scarcity, a possible solution is to use fault information of other machines of the same category to diagnose the status of a target machine (i.e., cross-machine diagnosis). This paper proposes a variational auto-encoder based multi-source deep domain adaptation model using optimal transport for cross-machine fault diagnosis of rotating machinery (named MDVAEOT). This is fundamentally different from most diagnostic models where both train and test data belong to the same machine. Firstly, it uses unlabeled samples of the machines to be diagnosed to establish the target dataset and faulty samples of machines of the same category (containing labels) to form the source dataset. Additionally, the method performs feature extraction on the dataset using variational auto-encoder networks and improves the reliability of extracted data features by the approximation of fixed probability. Finally, to shrink cross-machine differences between the two domains, we introduce optimal transport (OT) theory. OT distance is used to shares fault-related features between the two domains mentioned above to complete the cross-machine diagnosis task. Better accuracy and timeliness are offered by this proposed means compared to other existing intelligent methods in this field.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
善学以致用应助黑球采纳,获得10
3秒前
9239完成签到 ,获得积分10
4秒前
幼荷完成签到 ,获得积分10
4秒前
沉默的婴完成签到 ,获得积分10
5秒前
辞清完成签到 ,获得积分10
8秒前
科研通AI2S应助jxas采纳,获得10
11秒前
处处吻完成签到 ,获得积分10
16秒前
MADAO完成签到 ,获得积分10
17秒前
Avicii完成签到 ,获得积分10
28秒前
29秒前
29秒前
32秒前
Jaja发布了新的文献求助10
33秒前
友好亚男完成签到 ,获得积分10
34秒前
吱吱发布了新的文献求助10
36秒前
认真搞科研啦完成签到,获得积分10
38秒前
哈哈完成签到 ,获得积分10
38秒前
chhzz完成签到 ,获得积分10
41秒前
电子屎壳郎完成签到,获得积分10
41秒前
彭于晏应助吱吱采纳,获得10
43秒前
青菜虫子完成签到 ,获得积分10
44秒前
QCB完成签到 ,获得积分10
51秒前
快乐太英完成签到 ,获得积分10
51秒前
MEMSforever完成签到,获得积分20
1分钟前
xiaofenzi完成签到,获得积分10
1分钟前
阿浮完成签到 ,获得积分10
1分钟前
犬狗狗完成签到 ,获得积分10
1分钟前
宁静致远完成签到,获得积分10
1分钟前
徐茂瑜完成签到 ,获得积分10
1分钟前
水盒子发布了新的文献求助10
1分钟前
狮子座完成签到 ,获得积分10
1分钟前
星光完成签到 ,获得积分10
1分钟前
ccczzzyyy完成签到,获得积分10
1分钟前
1分钟前
weng完成签到,获得积分10
1分钟前
乒坛巨人完成签到 ,获得积分10
1分钟前
宸浅完成签到 ,获得积分10
1分钟前
风趣的冬卉完成签到 ,获得积分10
1分钟前
研友_LpvQlZ完成签到,获得积分10
1分钟前
萧水白完成签到,获得积分10
1分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709891
关于积分的说明 7418319
捐赠科研通 2354494
什么是DOI,文献DOI怎么找? 1246122
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921