关键词：无源域自适应(SFDA);伪标签;迁移学习;故障诊断;奇异谱分解(SSD)
摘 要：针对迁移诊断中存在的源域和目标域分布差异导致的负迁移以及过分依赖源域样本带来的数据隐私问题，提出一种利用邻域信息优化伪标签监督训练的无源域自适应(source-free domain adaptation, SFDA)迁移诊断方法以实现在无源域样本情况下的迁移诊断。首先，通过奇异谱分解(singular spectrum decomposition, SSD)方法对数据进行降噪处理，使得样本具有更丰富的故障信息，然后，基于一维卷积神经网络构建特征提取器以提取域不变特征；其次，采用对比学习框架拉近同一类样本特征，利用聚合邻域信息精炼后的伪标签进行自监督学习；最后，基于智能诊断模型完成跨设备变工况下滚动轴承健康状态的识别。通过两个滚动轴承数据集间的跨设备迁移诊断验证所提方法的有效性。试验结果表明：所提方法能够充分挖掘不同设备间故障特征信息，提高无源无监督跨域条件下的迁移诊断精度。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取