基于时频自监督学习的弱标记滚动轴承故障诊断研究OA北大核心

针对数据样本弱标记下的滚动轴承故障诊断问题,提出了一种基于时频自监督学习的新方法,在无故障标记样本中提取潜藏故障特征。该方法首先通过构建时域编码器和频域编码器来分别提取时域和频域的特征表示;然后设计了一种时频自监督学习模型来增强时域与频域特征之间的相互预测能力;最后为了优化该模型的学习过程,设计了一种新型交叉相关矩阵损失函数,有效提升了模型对复杂故障模式的捕捉能力。采用凯斯西储大学轴承故障公开数据集和帕德博恩大学轴承公开数据集进行方法验证,实验结果表明,该方法在少数故障标签(5%故障标记)的数据下取得了优异的诊断效果。