跨属性自适应网络：从多个采样频率源域中提取可转移特征，用于风力涡轮机齿轮箱的故障诊断

最新推荐文章于 2025-03-31 15:07:21 发布

原创

最新推荐文章于 2025-03-31 15:07:21 发布 · 589 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #机器学习

文章提出了一种新的跨属性自适应网络(CAAN)方法，用于处理风力涡轮机齿轮箱的故障诊断。CAAN利用多分支框架和通道注意力机制，从不同采样频率的源域中学习域不变特征，并通过MMD进行域适应。这种方法解决了传统方法忽视不同采样频率源域和独特信息的问题，提高了故障诊断的准确性。

英文名称：Cross-Attribute adaptation networks: Distilling transferable features from multiple sampling-frequency source domains for fault diagnosis of wind turbine gearboxes

中文名称：跨属性自适应网络：从多个采样频率源域中提取可转移特征，用于风力涡轮机齿轮箱的故障诊断

发展前景：

用于故障诊断的多源域自适应已开始受到研究人员的关注，它可以从多个源域中学习域不变特征，并获得更好、更稳定的性能；与传统的单域自适应方法相比，多域自适应方法获得了更高的故障诊断精度，此外，详细的可视化分析表明，与单域自适应方法相比，多域自适应方法可以获得更全面、更通用的特征。域自适应是迁移学习的一个代表，可以通过从源域学习特征并应用于目标域中的任务来解决标记数据不足的问题。域自适应的主要思想是将源域和目标域中的数据映射到高维潜在特征空间，然后最小化源域和目标域之间特征分布的差异。因此，该模型可以用标记的源域数据进行训练，并且适合于目标域中的任务。

存在问题：

但是，上述方法存在两个问题。一个问题是，上述多源域自适应方法仅考虑与目标域相同的采样频率源域，可能无法满足实际工业应用。由于结构复杂，传动比高，不同部件的转速多种多样，因此需要应用不同采样频率的传感器来采集不同部件的振动响应。另一个问题是，在上述多源域自适应方法中，每个源域和目标域对之间的独特信息被忽略了。在风电场中，由于每个风力发电机组的实际地理位置不同，风力涡轮机的风力、风向和叶片速度各不相同，导致每个风力涡轮机齿轮箱的振动响应存在差异。此