传统的机器学习由于结构较浅,很难从故障数据中获得有代表性的特征。Wen等人提出用图像识别领域成熟的CNN,用于识别旋转机械故障并从原始数据中提取二维深度特征。邵等人提出了一种用于轴承故障检测的连续深层信念网络(CDBN),该网络可以获取轴承振动信号中的深层非线性关系。使用多核方法,通过域自适应获得故障信号在不同条件下的一般特征。
通过对大量前序方法研究的基础上,本文构建了一个基于原型网络的基于度量的元学习网络。所提出的半监督算法能够进一步利用无标签数据细化生成的原型,并显著的增强故障识别准确率。除此之外为了能够进一步增强提取特征的能力,注意机制被利用到所提的方法中以提取更多有效的特征。将经典的随机梯度下降(SGD)优化器和自适应矩估计(Adam)集成为组合优化器,以快速收敛SSMN的训练损失。
本文提出了一种基于挤压和刺激注意的的半监督元学习网络(SSMN)用于少样本故障诊断,其中半监督元学习网络(SSMN)由一个参数编码器、一个非参数化原型细化过程和一个距离函数组成。基于注意机制,这个编码器能够提取不同的特征去生成原型,以增强识别的准确性。通过半监督小样本学习,SSMN利用未标注的数据去细化原始原型,以更好的识别故障。为了能够更有效的优化SSMN设计了一个组合学习优化器。
这篇论文最主要的贡献概括如下:
(1)为实现数据稀缺性故障诊断,提出了具有挤压激励关注的半监督元学习网络(SSMN)。设计半监督元学习算法对原型进行细化,编码器采用注意机制提取更有效的特征。
(2)将经典的随机梯度下降(SGD)优化器和自适应矩估计(Adam)作为组合优化器,快速收敛SSMN的训练损失。讨论了其实用性,并探讨了其潜力。
(3)利用轴承振动数据集进行了大量的少量试验,以评估该方法的有效性。在不同的诊断场景下&#