机械复合故障 zero-shot 智能诊断的标签描述空间嵌入模型

Background

现阶段的复合故障都是将其作为一个单独的故障类型，参与训练并测试
复合故障发生几率小，种类多，采集大量的故障数据难度大
能否将复合故障直接作为一种未知故障

zero-shot learning （ZSL）的目标是开发能够识别分布外的类别。ZSL的关键是探索和开发未知和已知类别之间的语义关系。为了反映不同类别之间的语义关系，通常会在ZSL方法中引入属性空间。

该诊断方法分为三个阶段。在阶段1中，通过无监督特征学习模型获得特征。根据这些特性，阶段2预先判断测试数据是从单一故障还是复合故障中收集的。在阶段3中，建立了一个标签描述空间(LDS)作为机械故障的属性空间。LDS描述了复合故障与相关的单个故障之间的关系。然后，提出了一种用于智能故障诊断的LDS嵌入式模型(LDS-IFD)来识别未知的复合故障。

Method proposed

大框架

1、特征提取
2、已知未知故障类别分类
3、已知$\to$分类，未知$\to$LDS-IFD

LDS-IFD

1、One VS Rest 提取单故障特征
2、T-SR 获得单故障与Health之间的特征相关性$D$
3、复合故障近似为$D_{12}=|D1+D2|/2$
4、以$D$为隐藏层，训练一个有监督的自编码器（LSAE）得到参数$W_{LSAE}$
5、复合故障信号喂入后先计算与Health之间的$D=f\ast W_{LSAE}$，然后寻找与这个$D$最相近的$D_{ab}$

Softmax 关注于不同类别之间的差异，而忽略了相似性

Experiment

Data

Result

Pre-judgment 的结果图：

混淆矩阵

论文