Resumen

En los últimos años, los métodos de aprendizaje profundo que promueven la precisión y la eficiencia de la tarea de diagnóstico de fallos sin ningún requisito adicional de extracción de características artificiales han suscitado la atención de los investigadores en el campo de la industria manufacturera, así como en el aeroespacial. Sin embargo, los problemas de que los datos en los dominios de origen y de destino suelen tener diferentes distribuciones de probabilidad debido a las diferentes condiciones de trabajo y no hay suficientes datos etiquetados o incluso sin etiquetar en el dominio de destino deterioran significativamente el rendimiento y la generalización de los modelos de diagnóstico profundo de fallos. Para abordar estos problemas, en este estudio proponemos un nuevo modelo de aprendizaje profundo de transferencia adversarial basado en una red adversarial generativa de Wasserstein con penalización de gradiente (WGAN-GP), que explota una crítica de dominio para aprender representaciones de características invariantes de dominio minimizando la distancia de Wasserstein entre las distribuciones de características de origen y destino a través del entrenamiento adversarial. Además, se diseña un extractor de características mejorado basado en una red neuronal convolucional (CNN) unidimensional que utiliza unidades lineales exponenciales (ELU) como funciones de activación y núcleos amplios para extraer automáticamente las características latentes de los datos de entrada de las series temporales en bruto. A continuación, el clasificador del modelo de fallos entrenado en una condición de trabajo (dominio de origen) con suficientes muestras etiquetadas podría generalizarse para diagnosticar datos en otras condiciones de trabajo (dominio de destino) con insuficientes muestras etiquetadas. Los experimentos en dos conjuntos de datos abiertos demuestran que nuestro modelo WDATL propuesto supera a la mayoría de los enfoques del estado del arte en las tareas de diagnóstico de transferencia en diversas circunstancias de trabajo.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:dominio de destino, condiciones de trabajo, red neuronal convolucional, métodos de aprendizaje profundo, diversas circunstancias de trabajo, extractor de características basado, diferente distribución de probabilidad, distribución de características de destino, modelo wdatl propuesto, transferencia adversarial profunda
• Keywords:target domain, working conditions, convolutional neural network-, deep learning methods, diverse working circumstances, based features extractor, different probability distribution, target features distribution, proposed wdatl model, deep adversarial transfer