基于辅助对比学习与分阶段微调的多传感器融合故障诊断方法及其在旋转机械健康监测中的应用

本文提出了一种创新的多传感器融合故障诊断框架，结合辅助对比学习（SSACL）与分阶段微调策略。该框架通过多分支传感器特征提取、新型数据增强技术和适配器调优（adapter tuning），有效解决了小样本条件下旋转机械故障诊断的挑战，显著提升了模型泛化能力和诊断精度。

　　

Highlight

1. 1.
   本研究提出了一种基于辅助对比学习的新型自监督训练框架。在多个辅助分类器的指导下，该框架仅使用正常状态数据即可实现预训练，从而显著增强了训练过程的灵活性和实用性。
2. 2.
   针对多传感器数据设计了一种基于传感器排列的数据增强策略。该策略可灵活与其他技术（如部分置零和噪声注入）结合使用，有效提升样本多样性和训练鲁棒性。
3. 3.
   为了进一步增强模型对下游任务的可迁移性，提出了一种结合全模型微调（full fine-tuning）和适配器调优（adapter tuning）的分阶段微调策略。该策略显著提升了预训练模型对目标任务的适应能力。

Contrastive learning

对比学习是一种强大的自监督学习范式，通过比较样本间的相似性和差异性来学习有效的特征表征。其核心思想是：使来自同一分布的正样本对在特征空间中更接近，而将来自不同分布的负样本对推得更远（Zhang et al., 2023a）。

如图1所示，在机械故障诊断的背景下，对比学习...

Data augmentation method for multi-sensor data

在对比学习中，模型训练的有效性在很大程度上依赖于数据增强策略的设计以及正负样本对的构建。为了解决多传感器数据与单传感器数据在结构上的差异，本研究提出了一种专门设计的新型增强方法，旨在同时提升训练数据的多样性和结构复杂性。这些丰富的数据特征进一步有助于提升模型的泛化能力...

Conclusion and future work

本研究通过提出一种融合了辅助对比学习和分阶段微调策略的自监督训练框架，解决了小样本条件下基于多传感器数据融合的故障诊断问题。此外，还引入了一种专为多传感器数据设计的新型数据增强方法。

所提出的方法在东南大学故障数据集和一个自定义搭建的试验台上得到了验证。实验结果表明，该...