Deep Domain Generalization Combining A Priori Diagnosis Knowledge Toward Cross-Domain Fault Diagnosis of Rolling Bearing

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9174912

1. 作者的目標(biāo)是什么？或者已經(jīng)實現(xiàn)了什么？

• 目標(biāo)：提高滾動軸承的跨域診斷問題。
• 作者實現(xiàn)的內(nèi)容：結(jié)合先驗知識（a priori diagnosis knowledge）和深度領(lǐng)域泛化故障診斷網(wǎng)絡(luò)（deep domain generalization network for fault diagnosis, DDGFD），DDGFD可以從源域數(shù)據(jù)集中學(xué)習(xí)到有區(qū)分的而且領(lǐng)域不變的故障特征（ discriminative and domain-invariant fault features ），來提高滾動軸承的跨域診斷的泛化性能。

2. 新方法的關(guān)鍵是什么？

• 關(guān)鍵是如何從源域數(shù)據(jù)集中學(xué)習(xí)有區(qū)分的而且領(lǐng)域不變特征。

• [1] 融合先驗診斷知識。

  （1）這的先驗知識指的是信號處理方面的滾動軸承故障特征頻率：BPFO、BPFI和BFF。作者的做法是將一維的加速度傳感器采集時間序列映射到四維包絡(luò)序列作為深度模型的輸入。這四個維度分別是原始傳感器序列的包絡(luò)、只含有BPFO頻率成分的包絡(luò)、只含有BPFI頻率成分的包絡(luò)和只含有BFF頻率成分的包絡(luò)。

  （2）Unidirectional Convolution and Pooling 單向卷積和池化。這個是對先驗知識的應(yīng)用方式。內(nèi)容是只在時間序列方向上進(jìn)行卷積和池化，而不進(jìn)行跨序列卷積和池化。例如，包絡(luò)和BPFI包絡(luò)不混合在一起卷積。這個也很符合邏輯，畢竟卷積和池化的操作對象都得要是同類的數(shù)據(jù)。就像數(shù)組里都得要是一樣的元素。（有點生硬的類比）。所以，卷積和池化都得要是在單個序列方向上進(jìn)行。

• [2] 領(lǐng)域泛化

（1）領(lǐng)域不變特征。領(lǐng)域不變特征指的是，來自不同域數(shù)據(jù)集的同類樣本，應(yīng)當(dāng)在全連接層的變換下更加聚集在一起。而不同類別的樣本應(yīng)當(dāng)更加分離。（基本等同于聚類的判別標(biāo)準(zhǔn)）

（2）instance-based discriminative loss，基于樣本的判別損失^[2,3]。用來學(xué)習(xí)領(lǐng)域不變特征。

$${\mathcal{L}}_d=\frac{1}{n\times n}\sum _{i,j=1}^n{J}_d({\mathbf{h}}_i,{\mathbf{h}}_j)\text{\hspace{1em}(1)}$$
$$J_d=\{\begin{array}{ll}\max (0,||{\mathbf{h}}_i?{\mathbf{h}}_j|{|}_2?m_0{)}^2& C_{i,j}=1\\ \max (0,m_1?||{\mathbf{h}}_i?{\mathbf{h}}_j|{|}_2{)}^2& C_{i,j}=0\end{array}\text{\hspace{1em}(2)}$$
其中，$||?|{|}_2$是向量的L2范數(shù)，$C_{i,j}=1$ 表示${\mathbf{h}}_i$ 和 ${\mathbf{h}}_j$是來自同一類。$C_{i,j}=0$ 表示${\mathbf{h}}_i$ 和 ${\mathbf{h}}_j$是來自不同類。$m_0$和$m_1$分別是類內(nèi)和類間距離的閾值。通過在全連接層中增加特征的損失${\mathcal{L}}_d$，一方面使得同一類樣本與多個源的距離不超過$m_0$，這意味著實現(xiàn)了域不變特性。另一方面，不同類別樣本的可分性也會被閾值$m_1$所加強(qiáng)，這可能有利于故障識別。與文獻(xiàn)[2]中討論的${\mathcal{L}}_d$的原始動機(jī)相比，主要區(qū)別在于我們將其應(yīng)用擴(kuò)展到了領(lǐng)域泛化問題中，并探索了它在軸承故障診斷問題中的潛力。

作者將這個損失函數(shù)和交叉熵?fù)p失函數(shù)一起使用作為跨領(lǐng)域分類結(jié)果和泛化能力的綜合代價函數(shù)。

有啥值得注意的地方：

• [1] 作者的信號處理部分使用的包絡(luò)譜技術(shù)的前提假設(shè)是滾珠運動沒有滑動，但是事實上滾珠總會有滑動，所以計算的特征頻率和實際情況會有1%~2%的出入。采用窄帶濾波。
• [2] 根據(jù)文獻(xiàn)[1]中提到的希爾伯特變換提取的包絡(luò)，會帶有大量的毛刺，不夠光滑，這一點在作者的Fig.2中的右圖也能看出來。而希爾伯特變換的這一缺點也會被后續(xù)的神經(jīng)網(wǎng)絡(luò)模型中的最大層池化技術(shù)放大了，勢必會影響后續(xù)的結(jié)果。所以這里考慮去除最大層池化，而知在最后有一個卷積層添加全局平均值池化。
• [3] 包絡(luò)技術(shù)提取的三個頻率成分的序列，其中仍然是會含有噪聲的，這個噪聲是分布在時間序列上的每一個點，但是會集中在頻譜上的某一小區(qū)域。但是，該文采用的是時域序列作為深度模型的輸入，所以這個問題的影響不會存在。

3. 論文中哪些內(nèi)容對我來說是有用的？

• [1] angular resampling signals 角度重采樣，從包絡(luò)信號中提取關(guān)注的頻率成分
• [2] antialiasing filtering (low-pass) 抗混疊重采樣，避免角度重采樣后的信號混疊，對每個特征頻率成分進(jìn)行抗混疊重采樣。
• [3] 融合先驗知識的方法或許也可以從濾波器方面入手，首層使用四個全局濾波器，濾波器的值分別固定為歸一化的四個包絡(luò)值。

4. 我還想要關(guān)注哪些參考文獻(xiàn)和資料？

• [基于樣本的判別損失] C. Chen, Z. Chen, B. Jiang, and X. Jin, “Joint domain alignment and discriminative feature learning for unsupervised deep domain adaptation,” in Proc. AAAI Conf. Artif. Intell., Honolulu, HI, USA, Jan. 2019,pp. 3296–3303.
• 如何降低卷積通道之間的冗余性？不同的卷積通道會提取不同的信息特征，但是卷積神經(jīng)網(wǎng)絡(luò)不同的卷積通道之間沒有進(jìn)行信息交互，所以，也就沒有什么降低卷積通道冗余性的設(shè)計。對于如何降低通道冗余性，可以參考通道共享kernel的Involution，其在git上的代碼

5. 參考文獻(xiàn)

[1] 張緒省,朱貽盛,成曉雄, 等.信號包絡(luò)提取方法-從希爾伯特變換到小波變換[J].電子科學(xué)學(xué)刊,1997 :120-123. [2] C. Chen, Z. Chen, B. Jiang, and X. Jin, “Joint domain alignment and discriminative feature learning for unsupervised deep domain adaptation,” in Proc. AAAI Conf. Artif. Intell., Honolulu, HI, USA, Jan. 2019,pp. 3296–3303. , HI, USA, Jan. 2019,pp. 3296–3303. [3] H. Zheng, Y. Yang, J. Yin, Y. Li, R. Wang and M. Xu, "Deep Domain Generalization Combining A Priori Diagnosis Knowledge Toward Cross-Domain Fault Diagnosis of Rolling Bearing," in IEEE Transactions on Instrumentation and Measurement, vol. 70, pp. 1-11, 2021, Art no. 3501311, doi: 10.1109/TIM.2020.3016068.

總結(jié)

以上是生活随笔為你收集整理的Deep domain generalization combining a priori diagnosis knowledge阅读笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。