多通道数据融合的自适应原型对比学习智能诊断方法

来源：计算机集成制造系统杂志2025年第10期北京时间：

作者：宋秋昱, 李学岗, 江星星, 王志坚, 黄伟国, 朱忠奎

单位：1.苏州大学轨道交通学院2.中北大学先进制造技术山西省重点实验室

摘要：针对传感器单通道状态监测数据信息涵盖量与可信度不足、不同工况下数据分布不同、专家标注成本高昂等挑战性问题,提出多通道数据融合的自适应原型对比学习智能诊断方法,实现极少量标签下基于多通道数据的变工况轴承故障诊断。首先,利用传感器多通道振动数据,建立多通道信息融合的样本增强策略,提升样本质量;然后,设计相对熵引导集中度系数自适应优化的原型对比学习,通过自监督域适应提取更具表征力的跨域迁移特征;最后,在源域样本极少量标签的半监督下,实现轴承故障分类。实验结果表明,源域有标签数据占比1%时,在面向轴承7种故障类别的12种跨域诊断任务中,所提方法的平均诊断准确率达97.1%及以上,相比其他6种对比方法至少分别提升了15.5%、16.6%、13.5%、14.9%、19.1%和12.7%。

关键词：域适应,智能轴承诊断,数据融合,原型对比学习

基金资助：国家自然科学基金资助项目(52172406,52275157);中国博士后科学基金项目(2021M702752,2022T150552);苏州市重点产业技术创新项目(SYG202111);城市轨道交通车辆服役性能保障北京市重点实验室开放课题(PGU2020K008);中北大学先进制造技术山西省重点实验室开放课题研究基金资助项目(XJZZ202102)。