Double-classifier adversarial learning for fault diagnosis of rotating machinery considering cross domains

对抗制 分类器(UML) 人工智能 模式识别(心理学) 计算机科学 交叉验证 机器学习 工程类 控制理论(社会学) 控制(管理)
作者
Tongtong Jin,Chuanhai Chen,Jinyan Guo,Zhifeng Liu,Yueze Zhang
出处
期刊:Mechanical Systems and Signal Processing [Elsevier BV]
卷期号:216: 111490-111490 被引量:29
标识
DOI:10.1016/j.ymssp.2024.111490
摘要

Deep learning methods have been demonstrated remarkable success in machine fault diagnosis under the constraint of identical distribution between training datasets and test datasets. However, achieving such conditions in practical scenarios remains challenging. Variations in working conditions lead to distinct distributions in fault data, while acquiring sufficient labeled fault data is often difficult. To address these problems, a double-classifiers adversarial learning network (DC-net) method is proposed. Firstly, a specialized network structure is designed, containing two classifiers, which align the source and target domains through the utilization of an adversarial training strategy. Secondly, conditional entropy and locally Lipschitz term are integrated into the loss function to force decision boundaries away from data-dense areas, precisely classifying different fault modes. State-of-the-art results are achieved across four cases, with test accuracy exceeding 80% in most instances. Notably, in single-source bearing fault diagnosis, the average test accuracy reaches 98.89%. These experimental results reveal the reliability and generalizability of the constructed model.
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
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
张萍发布了新的文献求助10
1秒前
王梦姣发布了新的文献求助10
1秒前
邵大王完成签到,获得积分10
1秒前
guoguo发布了新的文献求助10
1秒前
贾亚朋完成签到,获得积分10
1秒前
1秒前
西西完成签到,获得积分10
1秒前
所所的应助被活力的书易采纳,获得10
1秒前
小瞬完成签到,获得积分10
1秒前
百尺竿头完成签到,获得积分10
2秒前
白白不是球完成签到,获得积分10
2秒前
朱良宇完成签到,获得积分10
2秒前
SHX完成签到,获得积分10
2秒前
小二郎的应助被科研通管家采纳,获得10
2秒前
2秒前
2秒前
脑洞疼的应助被科研通管家采纳,获得10
2秒前
在水一方的应助被科研通管家采纳,获得10
2秒前
。。完成签到,获得积分10
3秒前
田様的应助被科研通管家采纳,获得10
3秒前
秋然可可完成签到,获得积分10
3秒前
传奇3的应助被科研通管家采纳,获得10
3秒前
hao123完成签到,获得积分10
3秒前
华仔的应助被科研通管家采纳,获得10
3秒前
3秒前
英姑的应助被科研通管家采纳,获得10
3秒前
喜悦的聪展完成签到 ,获得积分10
3秒前
Jasper的应助被科研通管家采纳,获得10
3秒前
科研通AI2S的应助被科研通管家采纳,获得10
3秒前
刘培恒完成签到,获得积分10
3秒前
乐乐的应助被科研通管家采纳,获得10
4秒前
完美世界的应助被科研通管家采纳,获得10
4秒前
风清扬的应助被科研通管家采纳,获得10
4秒前
Lucas的应助被嘟嘟嘟采纳,获得10
4秒前
SciGPT的应助被科研通管家采纳,获得10
4秒前
刘渝发布了新的文献求助10
4秒前
Lucas的应助被科研通管家采纳,获得10
4秒前
nuomici完成签到,获得积分10
4秒前
Orange的应助被靓靓鱼采纳,获得10
4秒前
twebery完成签到,获得积分10
5秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8180339
求助须知:如何正确求助?哪些是违规求助? 9570391
关于积分的说明 21811279
捐赠科研通 7776418
什么是DOI,文献DOI怎么找? 3433277
关于科研通互助平台的介绍 2557483
邀请新用户注册赠送积分活动 2479091