科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对实际工程中目标样本通常无标签，而人工标记耗时耗力甚至无法实现造成诊断困难的问题，提出一种基于无监督多模态迁移学习诊断方法(unsupervised deep multimodal adaptive network, UDMAN)。首先，将完备丰富的实验数据作为源域，将其时域和频域特征进行多模态信息融合以提取更全面的故障信息特征；其次，预训练深度迁移模型，共享模型的网络结构和参数；将缺乏标签样本的数据作为目标域，同时适配源域和率分布和条件概率分布以缩小两域之间的差异；最后，通过多次迭代优化迁移模型以实现跨域诊断。通过实验和对比分析，表明该方法可有效解决目标域无标签的难题，验证了该方法在齿轮箱无监督迁移诊断问题上的优越性。
- 单位
