-
题名基于深度特征KL距离的旋转设备开集故障诊断
- 1
-
-
作者
梅杰
王宇庭
何立夫
陈智迪
邝家月
陈鹏
-
机构
中国长江三峡集团有限公司、中国三峡武汉科创园
-
出处
《机电工程》
北大核心
2025年第10期1916-1923,1989,共9页
-
基金
中国长江三峡集团有限公司科研资助项目(NBZZ202300864)。
-
文摘
为了解决传统闭集故障诊断模型将未知故障样本强制分类到已知故障类别的问题,提出了一种基于深度特征Kullback-Leibler(KL)距离的开集故障诊断模型(DFKLD),该模型旨在实现开放场景下已知故障分类和未知故障识别的功能。首先,在训练阶段,DFKLD模型优化了基于深度特征KL距离度量的分类子损失、类内距离子损失和类间距离子损失,将振动信号按照类别映射为不同的高斯分布特征,并学习到类别原型分布;然后,在测试阶段,根据样本特征分布与类别原型分布的KL距离判断输入样本是否为某个已知类别或者未知故障,即距离超过预设阈值时为未知故障,否则为距离最近的已知类别;最后,在CWRU、MFPT、UoC三个数据集36个开集诊断任务上对DFKLD模型性能进行了实验验证。研究结果表明:DFKLD模型在三个数据集上的平均未知类检测准确率(UDA)指标分别达到了0.9029、0.8736和0.9906,具有较好的未知故障识别能力;同时,在三个数据集上的平均F1指标分别达到了0.9444、0.9264和0.9877,开集分类性能显著优于其他方法;此外,DFKLD模型最高可实时推理采样频率为200 kHz的振动信号,适用于旋转设备的实时监测。该研究可为包含未知故障类别的真实开放场景诊断任务提供可靠的技术支撑。
-
关键词
旋转设备
开集故障诊断模型
基于深度特征Kullback-Leibler距离
未知类检测准确率
-
Keywords
rotating equipment
open-set fault diagnosis model
a deep feature Kullback-Leibler divergence-based(DFKLD)
unknown detection accuracy(UDA)
-
分类号
TH133
[机械工程—机械制造及自动化]
-
