Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data

本文探讨了轴承故障诊断中最重要的障碍之一，即各种故障类型缺乏标记数据。此外，传感器获取的数据经常缺少标签，且存在大量缺失数据。该论文通过提出PTPAI方法来解决这些问题，该方法使用基于物理学的深度学习技术生成合成标记数据。标记合成数据构成源域，而带有缺失数据的未标记数据存在于目标域中。因此，出现了不平衡的类别问题和部分集故障诊断障碍。为了解决这些挑战，采用RF-Mixup方法来处理不平衡的类别。作为域自适应策略，采用MK-MMSD和CDAN来减轻合成和实际数据之间的分布差异。此外，采用类别和实例级别的加权方法来解决部分集挑战。在CWRU和JNU数据集上的实验结果表明，所提出的方法有效地解决了这些问题。

解决问题：论文试图解决如何在缺乏标记数据的情况下进行轴承故障诊断的问题。同时解决了类别不平衡和部分数据缺失的问题。

关键思路：论文提出了PTPAI方法，利用基于物理学的深度学习技术生成合成标记数据，并使用RF-Mixup方法处理类别不平衡问题，使用MK-MMSD和CDAN方法缓解合成数据与实际数据分布的差异，同时在类别和实例级别应用加权方法解决部分数据缺失的问题。

其他亮点：论文在CWRU和JNU数据集上进行了实验，结果表明所提出的方法有效地解决了缺乏标记数据、类别不平衡和部分数据缺失等问题。值得注意的是，论文使用了基于物理学的深度学习技术来生成合成标记数据，这是一个新的思路。

相关研究：最近在这个领域中，还有一些相关的研究，例如“Deep Convolutional Neural Networks for Fault Diagnosis Based on Raw Vibration Signals of Bearings”和“An Intelligent Fault Diagnosis Method for Bearings Based on Improved Deep Belief Network and Ensemble Empirical Mode Decomposition”。