文件大小：1.16M
摘要：提出了一种基于实例级提示生成的多源域泛化故障诊断方法，以提升模型在跨域环境下的故障识别能力。该方法利用跨频对齐提示生成器动态生成实例级提示，能够针对不同样本的局部特征进行精细化建模，并结合语义一致性增强模块，保证实例级提示的语义有效性。此外，为了进一步提升模型在跨域任务中的稳定性和适应性，引入记忆库增强对比学习模块，充分利用跨域正负样本，通过存储和动态更新训练样本的特征表征，扩大正负样本分布的多样性，提升跨域特征学习的有效性。同时，采用傅里叶混合模块在频域对不同源域样本进行特征混合，动态生成仿真样本，增强模型在未见目标域上的适应能力。在CWRU和Paderborn数据集上进行的实验结果表明，该方法在多个未见目标域上均优于现有方法。其中在CWRU数据集上的平均分类准确率达到93.54%，比当前最优方法提升1.52%；在Paderborn数据集上的平均分类准确率达到90.52%，比当前最优方法提升1.30%。实验结果证明了该方法在工业故障诊断任务中的有效性和鲁棒性。
文章目录
1 引言
2 相关工作
2.1 域泛化故障诊断
2.2 提示学习
3 模型设计
3.1 准备工作
3.1.1 问题定义
3.1.2 提示学习与Transformer
3.2 模型整体框架
3.3 域级提示学习
3.3.1 域特定提示
3.3.2 记忆库增强对比学习模块
3.4 实例级提示学习
3.4.1 跨频对齐提示生成器
3.4.2 语义一致性增强模块
3.5 样本混合仿真训练
3.5.1 傅里叶混合
3.5.2 软标签分配策略
3.6 训练与推理
3.6.1 域级提示学习
3.6.2 实例级提示学
