论文题目:
Cross-Domain Compound Fault Diagnosis of Machine-Level Motors via Time–Frequency Self-Contrastive Learning
论文期刊:IEEE Transactions on Industrial Informatics
论文日期:2024.3
论文链接:
https://doi.org/10.1109/TII.2024.3384603
作者:
在不同的运行工况下,工业电机会出现复合故障。由于拆卸和测试的成本很高,收集和标记所有复合故障类型数据是不切实际的。作者提出了一种面向机器级电机的跨域复合故障诊断框架。该方法包括一种新型时频自对比学习策略,以提高领域无关特征的提取能力。该方法从时域和频域生成自身的同质和异质信息,构建自对比对(self-contrastive pairs)。作者还设计了多尺度空间卷积结构和跨时-频信息交互策略。所提出方法在基于真实工业信号的六个跨领域任务上的F1得分超过90%。
迁移学习需要用到目标域数据来调整模型,以适应不同工作状态下数据分布的差异。但在工业场景中,几乎不可能收集所有类别的目标域数据。
研究现状:
为了减少对于目标域数据的依赖,研究者们通过开发特殊的网络架构和设计额外的优化目标来指导模型训练。例如,在最小化多个源域中的相同故障的时候最大化不同域间故障的方式等。
当前研究局限性:
与零件级故障诊断相比,电机整机的故障诊断可能面临更多的限制。由于昂贵的组装成本,电机整机系统通常不能在实验室中大规模拆卸。因此,“非侵入性”的诊断是必要的。
电机整机不可避免的出现多个子系统的耦合故障和更显著的现场噪音,这可能导致更复杂且容易被掩盖的弱故障特征。
不建议在所有工况下为所有类型的故障建立标签。
作者设计了并行的频率特征分支来处理多通道频率信息。频域数据作为时域信息的另一个维度,从全局特征的角度提供一种新型的数据结构。为了让同质信息更好融合,作者提出了CTFIIS模块(如图1所示)。两个分支在特征提取部分就通过残差结构进行特征融合,同时经过对比损失进行约束,以此全面的促进两种信息的交互。
编辑:曹希铭
校核:李正平、陈凯歌、赵栓栓、赵学功、白亮、任超、海洋、冯珽婷、陈宇航
该文资料搜集自网络,仅用作学术分享,不做商业用途,若侵权,后台联系小编进行删除
点击左下角阅读原文,即可在线阅读论文。