用于旋转机械故障诊断的无监督多注意力元转换器
机器学习
2025-09-12 v1
摘要
旋转机械设备的智能故障诊断通常需要大量标记样本数据。然而，在实际工业应用中，获取足够数据在时间和成本方面都具有挑战性。此外，不同类型的旋转机械设备具有不同的独特机械属性，需要为每种情况单独训练诊断模型。为了解决标记故障样本有限和预测模型缺乏通用性的挑战，我们提出了一种用于few-shot无监督旋转机械故障诊断的多注意力元转换器方法(MMT-FD)。该框架从无标签数据中提取潜在故障表征，并展现出强大的泛化能力，适用于诊断 various 类型的机械设备。MMT-FD框架集成了时频域编码器和元学习泛化模型。时频域编码器通过随机数据增强在时频域生成状态表征。这些增强后的数据随后输入到元学习网络进行分类和泛化训练，随后使用有限数量的标记数据进行微调。该模型通过少量对比学习迭代进行优化，具有高效性。为验证该框架，我们在轴承故障数据集和旋转子试验台数据上进行了实验。结果表明，MMT-FD模型仅使用1%的标记样本数据即可实现99%的故障诊断准确率，展现出稳健的泛化能力。
关键词
引用
@article{arxiv.2509.09251,
title = {Unsupervised Multi-Attention Meta Transformer for Rotating Machinery Fault Diagnosis},
author = {Hanyang Wang and Yuxuan Yang and Hongjun Wang and Lihui Wang},
journal= {arXiv preprint arXiv:2509.09251},
year = {2025}
}