双域私有类共存下高精度
针对跨域故障诊断中双域私有类共存与未知细粒度识别的难题，提出一种整合条件变分自编码器与三重并行对抗结构的模型，通过双向过滤排除私有实例干扰，实现群与子群感知的鲁棒知识迁移。
薛峰 · Zhang, Wei-Min · Xie, Shulian · Puchta, Alexander · Fleischer, Jürgen
Neurocomputing 2025
通过双向过滤器排除两个域中的私有实例，避免了负迁移，因此源域和目标域都有私有类时模型仍然能稳定对齐。
三重并行对抗结构在实现域对齐的同时保持群感知和子群分离，因此不仅能识别出未知故障，还能把未知故障细分成不同子群。
条件变分自编码器学习对噪声鲁棒的特征表示，使得模型在实际工业数据中更加可靠。
在丝杠表面缺陷的图像诊断和滚动轴承故障的振动诊断上都超过了现有最优方法，说明模型对不同部件和数据模态都有适应性。