Resumen

La demanda de métodos de aprendizaje por transferencia para el diagnóstico de fallas mecánicas ha progresado considerablemente en los últimos años. Sin embargo, los métodos existentes siempre dependen de la discrepancia máxima promedio (MMD) para medir la discrepancia de dominio. Pero MMD no puede garantizar que las diferentes características de dominio sean lo suficientemente similares. Inspirado en las redes generativas adversarias (GAN) y el entrenamiento adversarial de dominio de redes neuronales (DANN), este estudio presenta una nueva red adversaria adaptativa profunda (DAAN). La DAAN consta de un módulo de reconocimiento de condiciones y un módulo de aprendizaje adversarial de dominio. El módulo de reconocimiento de condiciones se construye con un generador para extraer características y clasificar automáticamente la condición de salud de la maquinaria. El módulo de aprendizaje adversarial de dominio se logra con un discriminador basado en la distancia de Wasserstein para aprender características invariantes de dominio. Luego, se emplea la normalización espectral (SN) para acelerar la

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Métodos de transfer learning; Diagnóstico de fallas mecánicas; Redes generativas adversariales; Entrenamiento adversarial de dominio; Red adversarial adaptativa profunda; Normalización espectral
• Keywords:Transfer learning methods; Mechanical fault diagnosis; Generative adversarial networks; Domain adversarial training; Deep adaptive adversarial network; Spectral normalization