标签样本不足情形下用于轴承故障诊断的多阶段半监督改进深度嵌入聚类方法

尽管数据驱动的故障诊断方法已被广泛应用，但其模型训练需要大量标注数据。然而，在真实工业中实施这一点的困难阻碍了这些方法的运用。因此，迫切需要一种能在此情形下良好工作的有效诊断方法。本研究提出一种多阶段半监督改进深度嵌入聚类(MS-SSIDEC)方法，它将半监督学习与改进深度嵌入聚类(IDEC)相结合，以联合利用稀缺的标注数据与海量的未标注数据。在第一阶段，提出并预训练了一种基于跳跃连接的卷积自编码器(SCCAE)，它可将未标注数据自动映射到低维特征空间，作为故障特征提取器。在第二阶段，提出一种半监督改进深度嵌入聚类(SSIDEC)网络用于聚类。它首先用可用标注数据初始化，然后同时优化聚类标签分配并使特征空间更利于聚类。为应对过拟合现象，此阶段引入虚拟对抗训练(VAT)作为正则化项。在第三阶段，由SSIDEC的高质量结果获得伪标签。这些伪标注数据可扩充标注数据集，并进而用于训练轴承故障诊断模型。采用两个来自滚动轴承振动数据的公共数据集评估所提方法的性能。实验结果表明，所提方法在半监督与无监督故障诊断任务中均取得了良好性能。该方法通过有效利用无监督数据，为标注样本有限情形下的故障诊断提供了新途径。