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
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