仪器仪表学报

作者：石明宽，丁传仓，王 锐，黄伟国，朱忠奎

单位：石明宽,1.苏州大学轨道交通学院,,丁传仓,1.苏州大学轨道交通学院,,王 锐,1.苏州大学轨道交通学院,,黄伟国,1.苏州大学轨道交通学院,,朱忠奎,1.苏州大学轨道交通学院,

关键词：持续迁移学习;工业流数据;故障诊断;旋转机械

基金：国家自然科学基金(52275157, 52205119)、江苏省自然科学基金(BK20220497)项目资助

机器学习模型在智能故障诊断中取得了显著成功,但主要应用于静态场景。在实际场景中,新的故障类别数据以流形式不断产生,且数据分布随机械设备运行条件变化而发生变化,导致连续流数据具有非独立同分布的特征,这种面向非独立同分布连续流数据的诊断问题被称为持续迁移诊断问题。针对此问题,本文提出了一种基于持续迁移学习系统(CTLS)的故障诊断方法。该方法设计了域适应学习损失函数和持续迁移学习机制,能有效处理变工况下的工业流数据,无需重放旧类别数据便能够能学习新类别知识。此外,利用机械故障诊断案例评估该方法的性能,分析结果证明CTLS能够高效处理变工况条件下的工业流数据,是一种极具潜力的解决实际工业问题的可靠工具。

来源：2024年第4期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第4期