科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统数据驱动的故障诊断方法通常依赖于测试工况数据的可用性，然而转子系统实际运行工况多变，测试工况的先验数据分布难以获取，增加了跨工况故障诊断的难度。针对此问题，提出了基于对抗熵的域泛化网络(Adversarial entropy-based domain generalization network, AEDG)用于转子系统跨工况故障诊断。该方法受信息瓶颈理论与生成对抗网络启发，通过熵的最大最小化博弈实现潜在数据分布的对抗性扰动，旨在提高诊断模型在未知工况下的泛化能力。首先建立条件对抗域适应网络，通过多线性映射融合深度嵌入特征与分类器预测输出，实现多源域诊断知识的深度融合。为进一步提高模型在未知工况下的泛化性能，通过多源域联合嵌入特征的预测输出信息熵最大最小化实现底层数据的对抗性扰动，增强模型对未知工况下数据分布漂移的适应能力。最后采用转子系统故障数据集验证了提出方法的有效性，结果表明提出方法具有良好的跨工况识别精度与泛化能力。
- 出版日期2023
- 单位西北工业大学
