基于残差收缩与等角紧框架引导偏标签学习的轴承故障诊断方法

《Sensors》：A Dual-Branch Artifact-Resistant Network for Air-Coupled Ultrasonic Localization Imaging of Composite Damage

　　

摘要

精确的轴承故障诊断面临着由噪声污染的振动信号和模糊的故障标注带来的挑战。为解决这些挑战，本文提出了RS-ETFPLL，一种残差收缩与等角紧框架（ETF）引导的偏标签学习（PLL）框架。振动信号通过连续小波变换转换为时频表示，并采用自适应残差收缩编码器进行抗噪鲁棒的特征提取。固定的单纯形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使用候选集监督进行训练，而通过对候选集内的分类预测进行归一化得到的伪软标签则用于引导原型学习，以促进标签消歧。在CWRU、MFPT和PU数据集上的实验表明，在评估的模糊度水平下，RS-ETFPLL的性能优于六种具有代表性的PLL基线方法。在错误标签包含概率为的主要对比实验中，其平均准确率分别达到99.59%、98.99%和98.01%，在每种设置下分别超出最佳基线2.03、4.46和2.16个百分点。在相同的模糊度水平和信噪比为 dB的条件下，相应的准确率分别为81.72%、82.08%和73.78%。这些结果证明了RS-ETFPLL在评估的噪声和候选标签模糊条件下对轴承故障诊断的有效性。