-
题名基于多样化梯度嵌入主动学习的轴承故障诊断方法
- 1
-
-
作者
张越宏
袁昭成
马嘉浩
张楷
郑庆
王大龙
-
机构
成都市特种设备检验检测研究院
-
出处
《机电工程》
2025年第7期1268-1277,共10页
-
基金
国家自然科学基金资助项目(52205130)
四川省市场监督管理局科技计划项目(SCSJZ2024014)。
-
文摘
针对实际应用中轴承深度智能故障诊断模型缺乏大量有标签数据的问题,提出了一种基于多样化梯度嵌入主动学习(BADGE)的轴承故障诊断方法,BADGE法以优化主动学习的查询策略为手段,可提高模型在有限标注成本下的诊断能力。首先,从未标记样本集中随机选取了少量样本进行了人工标注,构建了初始标注集,进而训练出初始模型;然后,运用初始模型对未标记样本进行了预测,计算了类别预测概率分布及样本的梯度嵌入向量,以衡量样本的不确定性;接着,借助改进的K-means++聚类算法,从未标记样本中筛选了兼具不确定性和多样性的子集,对其进行人工标注后合并入了已有标注集,并重新训练了模型;最后,逐步扩充了标注集并提升了模型性能,直至未标记样本全部被使用,或模型达到预设性能指标,并利用凯斯西储大学轴承数据集对BADGE法进行了验证。研究结果表明:以诊断准确率超过99%为目标,BADGE法较随机采样方法减少了最多36%的样本量。BADGE法能够捕捉数据集中不同类别的诊断难易程度,赋予困难类别更大的选择权重,使模型更新更稳定。因此,BADGE法为有限标注成本下的轴承故障诊断提供了有效的方案。
-
关键词
滚动轴承
故障诊断模型
卷积神经网络
深度主动学习
查询策略
多样化梯度嵌入主动学习
改进K均值聚类算法
-
Keywords
rolling bearings
fault diagnosis model
convolutional neural network(CNN)
deep active learning
query strategy
batch active learning by diverse gradient embeddings(BADGE)
K-means++clustering algorithm
-
分类号
TH133.33
[机械工程]
TP277
[机械工程—机械制造及自动化]
-
