[本站讯]近期,海洋研究院李沂滨教授团队在智能故障诊断方面的系列理论研究成果引起相关领域国内外学者的关注。其中,在IEEE Transactions on Industrial Informatics(IEEE TII,IF: 11.648,中科院一区Top期刊)发表“Intelligent Fault Diagnosis by Fusing Domain Adversarial Training and Maximum Mean Discrepancy via Ensemble Learning”和“Intelligent Fault Diagnosis Method Based on Full 1D Convolutional Generative Adversarial Network”两篇论文,连续入选ESI Top1%高被引论文。以上两项成果第一及通讯作者均为山东大学海洋研究院师生,成果受到国家自然科学基金、山东大学齐鲁青年学者及山东大学基本科研业务费资助项目(军民融合类)等项目的支持。
研究成果一 基于域对抗训练和最大平均误差的集成故障诊断方法
成果针对不同工况或机械设备上采集的故障诊断监测数据域不匹配而导致的训练模型在实际应用中无法正常工作的问题,提出了基于改进的域自适应方法的智能故障诊断方法。针对特征空间距离和域不匹配两个特征提取器,分别采用最大平均差异训练和域对抗训练来增强特征表示能力,并进一步利用集成学习来获得最终结果。
研究成果二 基于一维卷积生成对抗网络的智能故障诊断方法
成果针对工业设备缺乏真实标签的故障数据问题,提出了基于多标签一维生成对抗网络的故障诊断框架。首先采用辅助分类器生成对抗网络生成真实的故障数据,然后将生成的故障数据和真实的损伤数据同时用于训练故障分类器。方法通过嵌入随机噪声标签和上采样一维卷积运算,在各种设备特性或运行条件下生成新的有效的数据。
近年来,在学校及海洋研究院的大力支持下,该研究团队围绕大型海洋装备故障诊断,以机理与数据协同驱动为路径,以智能故障诊断方法为主要创新点,系统性研究了覆盖大型、关键海洋装备的智能故障诊断方法。系列理论研究成果已发表在国际顶级期刊,其中包含IEEE Transactions on Computers(IEEE TC,CCF A类)1篇,IEEE Transactions on Industrial Informatics(IEEE TII,IF: 11.648,中科院一区Top期刊)4篇,IEEE Internet of Things Journal(IEEE IoT,IF: 10.238,中科院一区Top期刊)1篇,IEEE Transactions on Instrumentation and Measurement(IEEE TIM,IF: 5.332,中科院二区)3篇。目前该研究成果已形成型号装备,实现批量应用。
原文链接:
1.Intelligent Fault Diagnosis by Fusing Domain Adversarial Training and Maximum Mean Discrepancy via Ensemble Learning
2.Intelligent Fault Diagnosis Method Based on Full 1-D Convolutional Generative Adversarial Network