未知工作载荷下故障诊断的零样本学习方法（阅读笔记）

最新推荐文章于 2024-07-29 22:02:05 发布

菜鸟小丁

最新推荐文章于 2024-07-29 22:02:05 发布

阅读量1.2k

点赞数 6

分类专栏：阅读笔记

本文链接：https://blog.csdn.net/m0_49361060/article/details/115049713

版权

本文介绍了一种基于压缩堆叠自动编码器的零样本学习方法，用于在未知工作载荷下进行故障诊断。这种方法利用已知工作载荷数据训练，无需先验故障数据即可进行有效诊断。实验在CWRU轴承数据集上进行，结果显示所提方法相比传统诊断方法（如人工神经网络、支持向量机）表现出更好的鲁棒性，能够降低不同负载输入的敏感性。

摘要由CSDN通过智能技术生成

未知工作载荷下故障诊断的零样本学习方法
A zero‑shot learning method for fault diagnosis under unknown working loads
创新点：本文提出了一种基于压缩堆叠自动编码器的零样本学习方法。该方法仅由已知工作载荷的数据训练而成，无需先验数据即可诊断未知但相关的工作负荷故障。

一些补充知识
自编码器与堆叠自动编码器

整体结构：自动编码器层层堆叠形成堆叠自动编码器，再引入收缩惩罚项，即为所提出的CSA
在这里插入图片描述

实验：在本节中，建议的CSA是在来自凯斯西储大学(CWRU)的著名基准数据集上进行评估的(史密斯和兰德尔2015)。该数据集提供6205滚珠轴承的数据，这些数据是由一台2 hp reliance电动机收集的。加速度数据是在靠近和远离电机轴承的位置测量的，的实验平台如图4所示(邵等人，2015年)。在该数据集中，收集了三种故障类型的振动信号，包括滚子故障(RF)、外圈故障(OR)和内圈故障(IR)，损坏尺寸为0.18毫米、0.36毫米和0.54毫米。除了正常情况(NO)之外，所有十种情况都处于不同的负载下(0、1、2和3马力，电机速度为1720–1797转/分)。采样频率为12 k Hz，每个样本包含400个采样点。
用D0、D1、D2、D3表示的数据集被划分为不同的工作载荷