团队最新研究工作“数据标注异常下的机械故障靶向迁移诊断方法”受到IEEE/CAA Journal of Automatica Sinica推介

深度迁移学习能够利用已有机械的故障诊断知识解决其他相关机械装备的诊断问题，从而降低了深度智能诊断理论与方法对大量高质量训练数据的强依赖性。特征分布适配是深度迁移学习的前沿热点，其关键在于缩小源域与目标域数据之间的深层特征分布差异，使智能诊断模型以相似的特征分布为桥梁进行跨域迁移。现有特征分布适配的迁移诊断方法往往假设源域数据的标签质量高，然而这在工程实际中却难以满足。对于当前常用的机械监测数据标注方法：1）通过机械装备停机后拆解检查对数据进行标注，这虽然保证了数据标注的准确性，但停机成本高、标注效率低。2）基于信号处理的人工标注，需要依赖较强的知识储备与专家经验。3）基于人工智能的自动化软件标注，数据标注的准确性受限于智能模型的泛化性能。因此，工程实际中的源域数据不可避免地存在标注异常问题，而异常标注的数据为现有特征分布适配的迁移诊断方法带来以下挑战：其一，源域的智能诊断模型在异常标注数据上产生过拟合；其二，目标域数据的特征分布与异常标注数据之间产生误适配，从而降低了智能诊断模型的跨域迁移性能。

西安交通大学现代设计及转子轴承教育部重点实验室雷亚国教授团队提出了一种数据标签校正与适配轨迹规划网络（LRTDN），该网络根据数据的特征空间分布规律以及沿梯度方向的移动规律，自适应锁定源域中的异常标注数据，并对其标注信息及特征适配轨迹进行重构。应用该网络实现了异常标注下的滚动轴承故障跨工况以及跨装备迁移诊断。研究成果发表于IEEE/CAA Journal of Automatica Sinica 2024年第十一卷第四期：B. Yang, Y. Lei, X. Li, N. Li, and  A. Nandi,  “Label recovery and trajectory designable network for transfer fault diagnosis of machines with incorrect annotation,” IEEE/CAA J. Autom. Sinica, vol. 11, no. 4, pp. 932–945, Apr. 2024. doi: 10.1109/JAS.2023.124083.