基于中心损失-改进卷积自编码器的滚动轴承半监督故障诊断

当前基于深度学习的旋转机械故障诊断技术,凭借其强大的逐层加工和内置特征变换功能受到广泛关注,然而传统用于故障诊断的深度网络需要大量标签数据,且诊断结果依赖于标签的数量和准确性。为此,提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图,细化故障特征表征;之后构建改进的卷积自编码器网络结构,并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合;之后在分类阶段,通过将中心损失(center loss)引入Softmax损失函数,构建联合损失函数,使故障特征实现类内距离更小,特征差异更大,进一步提高分类精度。最后,将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证,结果表明在少量标签样本情况下,均可实现有效的故障诊断,提升诊断准确率。