基于特征分解的通用无源域自适应方法在机械故障诊断中的创新应用

《Expert Systems with Applications》：Universal source-free domain adaptation method with feature decomposition for machinery fault diagnosis

本文提出了一种创新的通用无源域自适应（USFDA）方法，通过特征分解理论解决机械故障诊断中的数据隐私和开放集识别难题。该方法仅需预训练源模型即可实现目标域特征分解为共有类和未知类分量，结合高斯混合模型和置信度估计策略，在齿轮箱和轴承数据集上展现出卓越的诊断性能，为工业场景下数据安全的智能诊断提供了新思路。

　　

Section snippets

Domain adaptation

近年来，域自适应算法已广泛应用于旋转机械故障诊断。这些算法利用源域的标记数据辅助目标域（通常缺乏标签或标记数据有限）的学习，从而提升目标域故障诊断的准确性。根据源域数量，域自适应可分为单源域自适应和多源域自适应。

Problem description

在通用域自适应中，目标域D_T和源域D_S具有私有标签空间?_T=Y_T/Y_S和?_S=Y_S/Y_T，以及共享标签空间Y_C=Y_T∩Y_S。由于Y_S和Y_T的关系未知，算法通常需识别共享标签空间Y_C并仅针对该空间对应的样本进行知识迁移。目标域私有标签空间?_T中的样本被归类为未知类。

Experimental validation

全面准确的实验结果对智能诊断方法的实际应用至关重要。本节基于两个经典旋转机械数据集进行诊断性能分析，系统验证所提方法的有效性和鲁棒性。为进一步证明方法的优越性，引入多种先进域自适应方法进行对比分析。

Conclusion

为解决实际工业场景中的复杂故障诊断难题，本研究提出一种基于特征分解理论的通用被动域自适应故障诊断方法USDAM-FD。该方法仅利用训练好的源模型构建目标域数据的实例级决策边界，在源域数据缺失情况下仍能实现有效故障分类。实验结果表明，所提方法在多种场景下均优于对比方法。