多源迁移学习网络补充知识，对未知故障机器的智能诊断

Contributions

多源迁移学习网络（MSTLN）
1）通过在分类层中添加一个神经元来处理源机器中未发现的故障，提出了一种部分分布自适应子网络（PDA-子网）。此外，它有一个用加权Wasserstein损失训练的域鉴别器来计算抵消来自目标机器的不平衡样本的因素
2）提出了一种结合多个pda-子网诊断决策的诊断知识融合模块。该模块通过多源-目标自适应正则化方法联合训练多个pda-子网，以释放多源机器之间的差异所造成的负面影响。进一步实现了决策融合策略，通过权衡源对和目标对相似度的多个决策，获得最终的诊断结果。

Proposed method

多个pda-子网和一个多源诊断知识融合模块

PDA-子网

该网络由一个域共享的深度残差网络（ResNet）、一个不可见的故障分离模块和一个重要加权分布自适应模块组成


要点1：ResNet
要点2：对未知故障的分离
F3层添加了一个神经元，该神经元侧重于预测目标域样本属于未知类别的概率

这里就存在一个问题：该模型只能局限于一个未知类别的诊断，如果出现了多个未知的类别，模型会将其统一划分为“Unknown”
要点3：重要性加权分布自适应模块
F2中引入MMD
常用的高斯核MMD存在几个缺点：1）时间复杂度高，2）忽略了高阶矩上的分布差异，3）结果对高斯核宽度很敏感
本文使用多项式核构造再生核希尔伯特空间，得到重要性加权多项式核MMD（PK-MMD）：

多源诊断知识融合模块

多源-目标关节自适应+多诊断决策融合策略
1、从多个源域中提取的样本可能受到分布差异的影响。受源域样本的分布基线不同的影响，通过相同配置的pda子网学习目标域特征的分布发生了偏移。对于目标域样本与多个源域联合的分布适应，每个子网必须仔细配置，否则其中一些可能属于适应不足。与其努力配置每个子网的参数，不如配置目标域特征之间的分布差异，分别由多个pda-子网学习。

表示为多个PK-MMD的总和

2、预测概率不仅代表了目标域样本是否来自未知的健康状态，而且表示了目标域和源域之间的相似性。该概率越小，目标域样本与源域样本的概率越相似。

训练过程

论文