科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对工业场景下复杂工况导致的轴承故障数据特征分布差异，以及难以获得大量有标签数据的问题，提出一种基于Wasserstein距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。该网络首先构建CNN特征提取器进行预训练，学习领域特征表示，在对抗训练阶段，对抗层引入Wasserstein距离来度量源域与目标域的差异，实现边缘分布的对齐，固化训练结果。在特征提取层引入LMMD计算模块捕获每个类别的细粒度信息，实现条件分布的对齐。通过两种变工况下的轴承故障数据集对该模型性能进行验证。实验结果表明，无监督的条件下，本文所提方法在目标数据集上相较于基础域对抗网络分别提高了5.0%和6.9%的识别精度，性能优于现有的迁移算法。
- 单位
