面向电动机故障诊断的主动基础模型

电动机的故障检测与诊断对于确保若干工业系统的安全可靠运行至关重要。在故障初期进行检测与诊断可采取纠正措施以降低故障严重程度。现有的数据驱动深度学习方法在机械故障诊断中极度依赖大量标注样本，而标注成本高且耗时。然而，训练过程中大量未标注的状态监测数据未被利用。为克服此局限，我们提出一种基于基础模型的主动学习(Active Learning)框架，其利用较少且信息量最大的标注样本，并通过有效结合主动学习与对比自监督学习(Contrastive Self-Supervised Learning)技术来利用大量可用的未标注数据。该框架由基于Transformer网络的主干模型构成，采用先进的最近邻对比自监督学习方法训练。此方法使主干能够从原始未标注振动数据中学习到改进的样本表示。随后，该主干可经微调以应对一系列下游任务，包括同机与跨机任务。所提方法的有效性已通过对主干使用三个不同机器轴承故障数据集进行多目标任务的微调评估。实验评估表明，在较少标注数据下，其性能优于现有最先进的故障诊断方法。