一种基于多源迁移融合收缩框架的旋转机械故障诊断方法

摘要

一种基于多源迁移融合收缩框架的旋转机械故障诊断方法。对高噪声标注数据进行预处理；用源域带标签样本对模型进行预训练，通过深度残差收缩网络结构处理高噪声数据，提取出高维特征并训练好模型的分类模块；输入用于训练的目标域无标签样本，通过混合损失函数策略进行域对齐，得到对迁移后目标域数据特征的分类结果，再将所有域分类器的分类结果进行聚合决策，对未知状态新增类别标签，加权计算平均值得到最终分类结果；对目标域待测样本进行状态诊断。该模型能有效降低公共特征易受到与底层公共分布相关的噪声污染对诊断性能的影响，能将从多个源域获得的决策信息用于无标注的目标域数据实现高精度跨域故障诊断，并能够识别目标域中的未知状态。