Deep domain generalization combining a priori diagnosis knowledge阅读笔记

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. 作者的目标是什么？或者已经实现了什么？

• 目标：提高滚动轴承的跨域诊断问题。
• 作者实现的内容：结合先验知识（a priori diagnosis knowledge）和深度领域泛化故障诊断网络（deep domain generalization network for fault diagnosis, DDGFD），DDGFD可以从源域数据集中学习到有区分的而且领域不变的故障特征（ discriminative and domain-invariant fault features ），来提高滚动轴承的跨域诊断的泛化性能。

2. 新方法的关键是什么？

• 关键是如何从源域数据集中学习有区分的而且领域不变特征。

• [1] 融合先验诊断知识。

  （1）这的先验知识指的是信号处理方面的滚动轴承故障特征频率：BPFO、BPFI和BFF。作者的做法是将一维的加速度传感器采集时间序列映射到四维包络序列作为深度模型的输入。这四个维度分别是原始传感器序列的包络、只含有BPFO频率成分的包络、只含有BPFI频率成分的包络和只含有BFF频率成分的包络。

  （2）Unidirectional Convolution and Pooling 单向卷积和池化。这个是对先验知识的应用方式。内容是只在时间序列方向上进行卷积和池化，而不进行跨序列卷积和池化。例如，包络和BPFI包络不混合在一起卷积。这个也很符合逻辑，毕竟卷积和池化的操作对象都得要是同类的数据。就像数组里都得要是一样的元素。（有点生硬的类比）。所以，卷积和池化都得要是在单个序列方向上进行。

• [2] 领域泛化

（1）领域不变特征。领域不变特征指的是，来自不同域数据集的同类样本，应当在全连接层的变换下更加聚集在一起。而不同类别的样本应当更加分离。（基本等同于聚类的判别标准）

（2）instance-based discriminative loss，基于样本的判别损失^[2,3]。用来学习领域不变特征。

L d = 1 n × n ∑ i , j = 1 n J d ( h i , h j ) (1) \mathcal{L}_d =\frac{1}{n\times n}\sum_{i,j=1}^{n}J_d(\bold{h}_i, \bold{h}_j)\tag{1} Ld​=n×n1​i,j=1∑n​Jd​(hi​,h