MDCP-CPL：基于置信度感知的课程伪标签的多域对比预训练方法，用于半监督故障诊断

《Expert Systems with Applications》：MDCP-CPL: Multi-domain contrastive pretraining with Confidence-Aware curriculum Pseudo-Labeling for Semi-Supervised fault diagnosis

　　

Hassaan Ahmad|Wei Cheng|Wentao Wang|Linying Li|Haoyu Liu|Shuo Zhang|Xuefeng Chen

摘要

基于深度学习的旋转机械自动化故障诊断技术有助于实现早期故障检测，从而减少设备停机时间和维护成本。然而，在标签数量有限的情况下进行故障诊断仍然是工业领域面临的一个重大挑战。现有的对比学习（CL）方法存在以下局限性：(a) 仅依赖时域特征；(b) 简化的微调方法在标签稀缺时表现不佳。为了解决这些问题，我们提出了MDCP-CPL这一新颖的半监督框架，该框架结合了多域对比预训练（MDCP）和基于置信度的伪标签生成技术（CPL）。MDCP通过域内和域间的对比学习来利用时频表示，从而从有限的标签中学习出鲁棒且泛化的特征。自适应的门控融合投影器动态平衡了时域和频域编码器输出的贡献，生成了优化的多域潜在表示。在微调过程中，CPL结合了课程学习和基于置信度的自适应阈值处理，逐步选择伪标签，从而稳定训练过程并抑制标签噪声。在核泵实验数据集和公共行星齿轮箱数据集上的广泛实验表明，MDCP-CPL在各种标签比例下均显著优于现有的CL基线方法、伪标签生成方法以及最新的时频对比学习方法，性能提升分别达到了24%、26%和29%。这验证了将多域对比学习、自适应融合和基于置信度的伪标签生成技术相结合，能够在极少的监督下实现高效的故障诊断，提升了其在实际工业应用中的可行性。