基于不确定性引导去噪双分类器对抗域自适应的跨域故障诊断方法研究

本文提出了一种新颖的不确定性引导去噪双分类器对抗域自适应网络（UGDBAN），通过结合Transformer特征提取器、不确定性伪标签去噪机制和狄利克雷类原型对齐策略，有效解决了跨域故障诊断中伪标签噪声和目标样本分类精度不足的核心挑战，为工业设备智能运维提供了创新解决方案。

　　

Highlight

本研究的主要贡献与创新点如下：

1. 1.

   提出了一种用于无监督故障诊断的不确定性引导去噪双分类器对抗域自适应网络（UGDBAN），旨在降低伪标签噪声并提升目标样本预测精度。

2. 2.

   为减轻噪声伪标签的负面影响，引入了基于不确定性的伪标签去噪策略，通过迭代聚合邻域样本信息优化伪标签，并动态筛选高置信度目标样本，从而增强特征判别性并为目标域提供可靠监督。

3. 3.

   基于去噪伪标签，开发了基于狄利克雷不确定性估计的类原型对齐策略，通过选取低不确定性目标样本作为可信原型实现精确的类级别域对齐。在两大真实工业数据集上的广泛实验验证了UGDBAN的有效性与先进性。

Conclusion

针对现有双分类器对抗学习（BAL）故障诊断技术中存在的伪标签噪声及目标样本精度不足问题，本文提出了一种新颖的不确定性引导去噪双分类器对抗网络（UGDBAN）。该方法通过动态筛选高置信度伪标签以降低噪声干扰，并建立类原型对齐策略提升目标样本分类精度，最终实现可靠的跨域故障诊断。