基于多标签零样本学习的滚动轴承故障诊断

作者：张永宏; 邵凡^*; 赵晓平; 王丽华; 吕凯扬; 张中洋

来源：振动与冲击, 2022, 41(11): 55-89.

DOI：10.13465/j.cnki.jvs.2022.11.008

• 零样本学习(ZSL)
• 特征提取
• 多标签
• 属性学习器
• 滚动轴承

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。

• 单位
  南京信息工程大学; 自动化学院