一种基于二次神经网络与类加权监督对比学习的长尾轴承故障诊断方法
信号处理
2023-09-22 v1
摘要
深度学习在轴承故障诊断中取得了显著成功。然而，其在处理高度不平衡或长尾数据时性能往往退化，而此类情况在工业环境中十分普遍，因为故障是以极低概率发生的稀有事件。传统数据增强方法因少数类样本稀缺而面临根本性局限。本文提出一种带类感知损失函数的监督对比学习方法，以增强神经网络在故障诊断中的特征提取能力。所开发的类加权对比学习二次网络(CCQNet)由二次卷积残差网络骨干、采用类加权对比损失的对比学习分支，以及采用logit调整交叉熵损失的分类分支组成。通过利用类加权对比损失与logit调整交叉熵损失，我们的方法鼓励类特征的等距表征，从而对所有类施加均等关注。我们通过建立二次神经元与信号处理中自相关之间的联系，进一步分析了二次网络优越的特征提取能力。在公共与专有数据集上的实验结果用于验证CCQNet的有效性，计算结果表明CCQNet在处理极度不平衡数据时大幅优于SOTA方法。
引用
@article{arxiv.2309.11717,
title = {A class-weighted supervised contrastive learning long-tailed bearing fault diagnosis approach using quadratic neural network},
author = {Wei-En Yu and Jinwei Sun and Shiping Zhang and Xiaoge Zhang and Jing-Xiao Liao},
journal= {arXiv preprint arXiv:2309.11717},
year = {2023}
}