通过基于分类器生成对抗网络的多任务深度学习方法对滚动轴承的故障诊断
Zhunan Shen1, Xiangwei Kong1,2,3, Liu Cheng1
1School of Mechanical Engineering and Automation, Northeastern University, Shenyang 110819, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究引入了一种新的半监督学习方法,用于诊断旋转机械中的轴承故障. 这种方法增强了特征提取和概括,提高了诊断准确性和可解释性.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 准确的故障诊断对于旋转机械的可靠运行至关重要.
- 对于故障诊断的传统深度学习方法通常仅依赖于监督学习,导致特征提取和可解释性的局限性.
- 现有的方法难以有效地利用小型卷积内核来提取特征,阻碍了可控性和理解.
研究的目的:
- 提出一种创新的半监督学习方法,用于轴承故障诊断.
- 加强从旋转机械数据中提取本地和全球特征.
- 提高故障诊断模型的概括能力和可解释性.
主要方法:
- 为特征提取设计的多尺度扩展卷积挤压和激发残留块.
- 采用分类器生成对抗网络,同时进行无监督和监督的多任务学习.
- 利用监督学习来微调模型,包括隐式数据增强.
主要成果:
- 提出的方法有效地提取了多个规模的本地和全球特征.
- 同时的无监督和监督学习提高了模型的概括能力.
- 在两个数据集上的实验证明了开发的半监督学习方法的优越性.
结论:
- 新的半监督学习方法在轴承故障诊断方面取得了重大进展.
- 多尺度特征提取和多任务学习的整合提高了诊断性能.
- 与传统方法相比,这种方法提供了更易于解释和控制的解决方案.
