基于孪生表征对比学习的滚动轴承半监督故障诊断

来源：振动与冲击杂志2025年第15期北京时间：

作者：陈仁祥,张旭,杨黎霞008@cqust,梁栋,孙世政,董绍江

单位：1.重庆交通大学交通工程应用机器人重庆市工程实验室，重庆400074；2.重庆科技大学 经济与金融学院，重庆401331

摘要：针对实际工程中滚动轴承故障数据标注成本昂贵，导致标签样本数量难以满足有监督模型训练需求的问题，提出基于孪生表征对比学习的滚动轴承半监督故障诊断方法。首先，利用添加高斯白噪声的数据增强方式在无标签数据上施加不同程度扰动得到正样本对，同时构建权重共享的孪生自校正卷积神经网络提取正样本对中高维特征；其次，基于对比学习策略构建负余弦相似度损失函数对正样本对的特征进行对比，通过最大化特征间的相关性为预训练阶段构建监督信息，促使模型学习无标签数据中正样本对一致性特征表示；然后，引入少量标签样本参与微调，建立特征表示与标签之间的映射关系；最终，将待测数据输入到微调后编码器模型，实现了滚动轴承的半监督故障诊断。所提方法从大量未标注数据中学习数据的内在结构和特征表示，不依赖于昂贵的标注过程。通过采集的滚动轴承数据和公共数据集HUST bearing进行实验验证，所提方法准确率均达到97%以上，证明了所提方法具有良好的诊断性能。<br>

关键词：滚动轴承；故障诊断；半监督；对比学习；自校正卷积