基于类感知对比学习的半监督故障诊断

当前基于数据驱动的故障诊断方法依赖于标注完备的训练样本，然而在实际工程活动中标注足量故障样本需要耗费大量人力物力。对此提出一种基于类感知对比学习的半监督故障诊断方法以综合应用少量标注样本以及大量无标注样本进行训练，减少模型训练对于标注样本的需求。首先根据模型最大概率预测值动态赋予无标注样本伪标签以参与模型训练，并结合置信度筛选以减少伪标签中噪声标签所引起的负面影响，同时引入一致性正则化，增强模型对伪标签样本的特征表达能力，构建更为完备的决策边界。随后设计类感知对比学习模块以确保模型特征空间中的各类故障样本间的类内一致性以及类间对比度，实现判别能力增强。实验结果证实，该方法能够在较少标签的条件下取得良好的诊断结果。

轴承作为机械传动的关键零件，被广泛应用于各种机械设备中，其健康状况对于机械设备的安全性与稳定性具有重要影响。

然而设备在一些恶劣环境下运行时， 轴承将会不可避免地发生退化， 产生裂纹、磨损等。一旦发生故障将直接影响整个设备的正常运行，轻则给企业造成经济损失，重则引发事故，威胁生命安全[1]。因此，为保证机械设备的正常运行，对轴承的健康状况进行监测以及时排除安全隐患具有重大的工程意义。

深度神经网络在工业故障诊断领域得到了广泛的研究，以预防机械系统的突然故障以及临界损伤。

Zhang 等[2]提出一种基于通道–空间注意力机制与特征融合的深度残差故障诊断网络，诊断准确率可达99.87%。Xu 等[3]针对复杂环境下系统故障诊断中多尺度模型外推效率低的问题，提出权重软投票的多尺度决策加权融合模型，该模型能够有效地捕获采集多尺度的时间与频率信息，并分别在特征层与决策层考虑了不同尺度特征对故障信息的权重，具有较为良好的泛化能力。然而上述故障诊断方法的性能很大程度上归功于标注完备的训练数据集。

在机械故障发生早期，其故障特征微弱且状态处于不断发展变化中，故障模式与故障表征间映射关系模糊，导致早期故障信号分析和故障界定难度大，更容易造成机械设备故障样本标记缺乏问题[4]。此外，人工标注故障信息需投入大量人力物力成本，在实际过程活动中难以实现。使得出现“大量无标记数据获取易，大量有标记数据获取难”的问题。而仅采用无标注样本训练深度神经网络，无法建立起准确可靠的设备故障诊断映射关系。因此，如何训练深度神经网络充分提取无标注故障样本特征信息，并结合少量标注样本促成模型构建完备的故障特征信息映射关系， 是当下故障诊断领域一个重要研究课题。

针对上述问题，基于半监督学习的方法得到广泛研究。不同于监督学习与无监督学习，半监督学习方法通过结合训练无标注以及少量标注训练样本信息，利用无标注训练样本探索数据决策边界，并通过标注样本引入显式监督信息，构成更为完备的决策边界，实现对故障信号的判别[5]。Yu 等[6]对无标注训练样本进行多次数据增强并迫使模型输出与原样本相同预测值以引入一致性正则化，增强模型特征表达能力，实现在训练样本有限情况下的故障诊断。Liao 等[7]采用对抗学习训练模型特征提取层，并根据模型输出预测值赋予无标注样本伪标签以参与训练，实现半监督故障诊断。然而当前半监督学习方法仅关注标签映射空间中监督映射关系联结，而在特征空间缺乏显式监督，限制了模型在低标签覆盖率情况