科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对工业故障诊断中设备故障数据采集困难，目标故障样本少的问题，现有的零样本故障诊断方法仍依赖于故障数据集，本文提出了一种基于迁移学习的零样本故障诊断方法 .通过经典的主成分分析算法，构建了一个适用于源域和目标域的判别属性提取器，用于提取源域数据样本潜在的细粒度特征表示，将其作为知识迁移的桥梁.利用源域故障数据获得所有已知故障类的共享细粒度基组，并将其作为知识迁移到目标域故障表示中.从共享细粒度基组学习源域和目标域的判别矩阵，构建各自的判别性特征，最终利用判别性属性实现零样本的故障诊断.基于田纳西-伊斯曼过程（Tennessee Eastrman Process,TEP）数据集，实验对本文方法和其他零样本故障诊断方法进行对比，实验结果验证了本文方法对零样本故障检测的有效性.
- 单位
