具有信息分离功能的全球-局部适应方法，用于抗噪声的传输故障诊断

《Neural Networks》：Global–focal Adaptation with Information Separation for Noise?robust Transfer Fault Diagnosis

任俊宇|甘文胜|张光宇|钟伟|余菲利普·S.

摘要

现有的传输故障诊断方法通常假设数据是干净的或领域特征具有足够的相似性，这在存在严重噪声干扰和领域变化的工业环境中限制了它们的有效性。为了解决这一挑战，我们提出了一种信息分离全局-局部对抗网络（ISGFAN），这是一种在噪声条件下进行跨领域故障诊断的鲁棒框架。ISGFAN基于一种新颖的信息分离架构构建，该架构将对抗学习与改进的正交损失相结合，以将领域不变的故障表示与噪声干扰和领域特定特征分离开来。此外，ISGFAN还整合了一种全局-局部领域对抗机制，从条件和边际分布的角度共同约束模型。具体来说，局部领域对抗模块首次被设计为能够在无监督场景中自适应地应对由噪声引起的特定类别传输障碍，而全局领域分类器则确保了整体分布的一致性。在三个公开基准数据集上的实验表明，所提出的方法优于其他现有的主要方法，在严重噪声条件下仍保持了最佳的跨领域诊断性能。数据集和代码可在以下链接获取：https://github.com/JYREN-Source/ISGFAN。