Zero-shot learning for compound fault diagnosis of bearings

最新推荐文章于 2024-09-13 14:33:56 发布

糯米~团子

最新推荐文章于 2024-09-13 14:33:56 发布

阅读量448

点赞数

分类专栏：未知故障文章标签：人工智能深度学习机器学习

本文链接：https://blog.csdn.net/Goodlick/article/details/129119285

版权

未知故障专栏收录该内容

17 篇文章 10 订阅

订阅专栏

文章提出了一种基于零样本学习的复合故障诊断模型（ZLCFDM），利用单故障振动信号训练，识别未知复合故障。通过设计故障语义，结合单故障和复合故障的先验知识，模型能在特征和语义间建立联系。在训练过程中，单故障信号特征与故障语义匹配，模型在测试阶段通过计算特征与语义的欧氏距离来识别复合故障。实验使用了滚动体、内圈和外圈三种单故障及多种复合故障，展示了模型的有效性。

摘要由CSDN通过智能技术生成

Preface

轴承未知复合故障诊断方法研究
为了解决从单故障数据中学习并对未知复合故障进行分类的问题，本文引入了一种在特征和语义之间共享的中间层嵌入方法。贡献：
1）提出了一种零样本学习复合故障诊断模型（ZLCFDM），该模型利用单故障的振动信号进行训练来识别未知的复合故障。
2）设计了故障语义来表达单故障和复合故障的先验知识。将单故障的振动信号用于构造故障语义，而复合故障的故障语义来自单故障的故障语义。
3）零样本学习方法映射故障语义，使它们与信号特征具有匹配的维数。该方法的训练过程将单故障的信号特征与其故障语义相匹配。训练后的模型通过计算信号特征与故障语义之间的欧氏距离来识别复合故障

Method

Problem statement

单故障： $K$ 类 $N$ 个样本， $D_s=\{x_i,y_i,S_i\}^N_{i=1}$ ，{样本，标签，故障语义}
复合故障： $L$ 类 $M$ 个样本， $D_u=\{\hat x_i,\hat S_i\}^M_{i=1}$ ，{样本，故障语义}
遵循以下规则：
在这里插入图片描述
$I ()$ 计算两个分布 $p(D_s),p(D_u)$ 的互信息，即 $D_s,D_u$ 的数据分布不同；类别集 $Y_s,Y_u$ 交集为空，复合语义 $\hat S$ 是由函数 $\varphi()$ 从单故障语义 $S$ 中得到。

训练：
在这里插入图片描述

$D ()$ 计算距离
测试：

Data pre-processing

小波变换：一维时序信号转二维时频域图像
在这里插入图片描述

Model

特征提取模块、语义处理模块、语义嵌入模块
在这里插入图片描述
特征提取模块：CNN

语义处理模块：
选择单故障的振动信号的 $R$ 个数据点，如内圈故障的振动信号：

设内圈故障的故障语义为：

阈值 $\lambda_i$ 表示单故障 $f$ 振动信号的阈值。如果信号 $f$ 的维数 $v_k$ 大于 $\lambda_i$ ，则维数 $a_k$ 设为1，否则 $a_k$ 设为0，则得到单故障 $R$ 维语义 $S_i$ ：
在这里插入图片描述

$a$ 为经验确定的超参数
单故障的语义： $S=\{S_1,S_2,...,S_N\}$
复合故障语义由单故障语义构成：

复合故障语义： $\hat S=\{\hat S_1,\hat S_2,...,\hat S_M\}$