基于残差收缩与等角紧框架引导的部分标签学习的轴承故障诊断方法

《Sensors》：Co-Evolutionary Sensor Deployment Optimization for Layered Low-Altitude Airspace Monitoring Under Worst-Case Traffic Composition

　　

摘要

准确的轴承故障诊断面临噪声污染的振动信号和模糊故障标注的挑战。为应对这些挑战，本文提出了RS-ETFPLL，一种基于残差收缩和等角紧框架（ETF）引导的部分标签学习（PLL）框架。利用连续小波变换将振动信号转换为时频表示，并采用自适应残差收缩编码器进行抗噪特征提取。固定单纯形ETF原型提供了稳定且均匀分离的类别几何结构。分类分支和原型分支均采用候选集监督进行训练，同时通过对候选集内的分类预测进行归一化获得伪软标签，以引导原型学习，促进标签消歧。在CWRU、MFPT和PU数据集上的实验表明，在所评估的模糊程度下，RS-ETFPLL优于六个具有代表性的PLL基线方法。在错误标签包含概率为 的主要比较中，其平均准确率分别为99.59%、98.99%和98.01%，分别超越各设置下最佳基线2.03、4.46和2.16个百分点。在相同的模糊程度和信噪比为 dB的条件下，相应的准确率分别为81.72%、82.08%和73.78%。这些结果表明，在评估的噪声和候选标签模糊条件下，RS-ETFPLL在轴承故障诊断中是有效的。