10.13465/j.cnki.jvs.2022.11.008
基于多标签零样本学习的滚动轴承故障诊断
近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足.针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法.首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断.设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障.
零样本学习(ZSL)、特征提取、多标签、属性学习器、滚动轴承
41
TH17;TH133.3
国家自然科学基金;国家自然科学基金
2022-06-22(万方平台首次上网日期,不代表论文的发表时间)
共11页
55-64,89