基于语义融合零样本学习的轴承复合故障诊断模型

来源：振动与冲击杂志2025年第10期北京时间：

作者：李耀华，赵佳809，张鑫杰

单位：中国民航大学交通科学与工程学院，天津300300

摘要：针对滚动轴承在复杂环境下故障类型耦合及数据获取难题，提出了一种基于语义融合零样本学习的轴承复合故障诊断模型。在训练阶段，采用语义自编码器（semantic auto encoder,SAE）来建立视觉空间与语义空间之间的联系，从而缓解域偏移问题，测试阶段通过相似度计算来识别未知故障。不同于传统方法，提出了一种语义融合的编码策略，将轴承故障的振动幅值和频率特征转化为具体的语义表示。这种方法保留了丰富的物理信息，并通过融合这些信息增强了故障类型间的语义差异，从而显著提高了复合故障分类的准确性。此外，模型结合卷积神经网络（Convolutional Neural Network,CNN）和自适应边缘中心损失（Adaptive Margin Center Loss,AMCL），进一步优化了故障特征提取，更精准地捕捉轴承的复合故障特征。实验结果表明，该模型在复合故障识别上取得了87.96%的准确率，优于对比模型。<br>

关键词：滚动轴承；故障诊断；语义融合；零样本学习；语义自编码器