基于盲域迁移的零样本电机健康监测

电机健康的持续长期监测对于早期发现轴承故障等异常至关重要（高达51%的电机故障归因于轴承故障）。尽管已提出众多轴承故障检测方法，其中大多数需要正常（健康）与异常（故障）数据用于训练。即便使用近期基于同一机器标注数据训练的深度学习(DL)方法，当一项或少数条件改变时，分类精度也会显著下降。此外，当这些方法在具有完全不同健康与故障信号模式的另一台机器上测试时，性能会严重受损甚至完全失效。为满足该需求，在本试点研究中，我们提出一种零样本轴承故障检测方法，可检测新（目标）机器上的任意故障，而无需考虑工作条件、传感器参数或故障特征。为实现此目标，一维操作生成对抗网络(Op-GAN)首先刻画（若干）源机器在不同条件、传感器参数与故障类型下正常与故障振动信号之间的迁移。随后对于目标机器，可生成潜在故障信号，并基于其实际健康信号与合成故障信号，训练一个紧凑轻量的一维Self-ONN故障检测器，以在真实故障发生时实时检测。为验证所提方法，我们使用两台在不同条件与传感器位置下工作的电机构建了一个新基准数据集。实验结果表明，该新颖方法可准确检测任意轴承故障，在两台目标机器上实现约89%与95%的平均召回率，且不受故障类型、严重度与位置影响。