新研究利用深度迁移学习提高机器故障诊断的准确性

机器维护是一项耗时且具有挑战性的任务，不仅会导致大量停机时间，而且容易出现人为错误。然而，我们不再仅仅依赖人工检查，而是朝着自动化诊断的方向发展，智能模型可以分析机器上传感器的大量数据，以识别潜在问题。这种转变得益于深度迁移学习的进步，减少了为每台机器建立诊断模型所需的大量数据收集和训练。然而，为了准确诊断故障，这些模型需要来自源域的高质量标记数据，而这些数据很难获得。

针对该问题，中国西安交通大学、湖南科技大学和英国伦敦布鲁内尔大学的研究人员提出了一种标签恢复与轨迹可设计网络(LRTDN)，论文发表在IEEE/CAA《自动化学报》 2024年第4期上。

“错误的标签标注会产生两个负面影响：首先，诊断模型的复杂决策边界会降低其在目标域上的泛化性能;其次，目标域样本的分布与错误标记的样本不一致。为了克服这些负面影响，我们提出了 LRTDN，” 通讯作者、西安交通大学教授雷亚国说。

LRTDN 使用三个关键组件来解决错误标记问题：具有双分类器的残差网络、注释检查模块和自适应轨迹。每个组件都解决了深度迁移学习的特定挑战，以增强故障诊断。

双分类器残差网络可以捕捉源域和目标域之间的特征细微差别。通过学习区分这些特征，模型可以适应数据中的新模式，从而更准确地诊断目标域中的故障。

注释检查模块识别并纠正源域中的错误标记样本。它使用标签异常因子，根据相反的梯度方向将错误标记的样本与纯标记的样本区分开来。此外，自适应轨迹优先考虑故障检测模型，使其从准确标记的样本中学习。

使用所提出的 LRTDN 方法，即使源域中的数据被错误标记，研究人员也能成功诊断轴承故障。LRTDN 的表现优于其他方法，准确率明显更高。

这种方法可以提高工业设备的可靠性和安全性。雷教授总结道：“尽管注释不正确，但能够准确诊断故障的能力将带来更可靠的预防性维护策略。这可以防止意外的机器故障，减少停机时间和维护成本。”