未知工作載荷下故障診斷的零樣本學習方法
a zero‑shot learning method for fault diagnosis under unknown working loads
創新點：本文提出了一種基於壓縮堆疊自動編碼器的零樣本學習方法。該方法僅由已知工作載荷的資料訓練而成，無需先驗資料即可診斷未知但相關的工作負荷故障。
一些補充知識
自編碼器與堆疊自動編碼器
整體結構：自動編碼器層層堆疊形成堆疊自動編碼器，再引入收縮懲罰項，即為所提出的csa
實驗：在本節中，建議的csa是在來自凱斯西儲大學(cwru)的著名基準資料集上進行評估的(史密斯和蘭德爾2015)。該資料集提供6205滾珠軸承的資料，這些資料是由一台2 hp reliance電動機收集的。加速度資料是在靠近和遠離電機軸承的位置測量的，的實驗平台如圖4所示(邵等人，2023年)。在該資料集中，收集了三種故障型別的振動訊號，包括滾子故障(rf)、外圈故障(or)和內圈故障(ir)，損壞尺寸為0.18公釐、0.36公釐和0.54公釐。除了正常情況(no)之外，所有十種情況都處於不同的負載下(0、1、2和3馬力，電機速度為1720–1797轉/分)。取樣頻率為12 k hz，每個樣本包含400個取樣點。
用d0、d1、d2、d3表示的資料集被劃分為不同的工作載荷
1.與其他編碼器的對比
2.將提出的方法與傳統的診斷方法(包括人工神經網路和支援向量機)進行了比較
混淆矩陣：圖7和圖8分別為在da和db上所提出的csa的混淆矩陣。行代表故障情況，列代表診斷標籤。
奇異值分布圖：表明csa中的特徵具有收縮分布。這種壓縮分布表明所提出的方法對來自不同資料域的資料不敏感（這個不太明白。。不敏感是什麼意思）
特徵空間分布：從不同的csa模型中提取的表示特徵比其他模型更魯棒。這一特性還表明，所提出的方法可以降低不同負載之間輸入的靈敏度
從不同的csa模型中提取的表示特徵比其他模型更魯棒。這一特性還表明，所提出的方法可以降低不同負載之間輸入的靈敏度
csa的微調和前向後向傳播
一些學到的點：
1.自動編碼器可以重構輸入，但是完全的重構沒有意義，所以要在隱層增加約束，強迫學習最主要的特徵。
2.堆疊是不斷堆疊編碼器 然後在頂端增加softmax層 實現分類
3.逐層無監督預訓練：無監督學習對每一層進行訓練，經過無監督訓練的權值引數作為初始引數進行有監督訓練 網路更易收斂
菜鳥還是有很多地方不懂 希望以後能慢慢摸索懂 或者有大神指點
關於裝置故障診斷工作的思考
2006 10 06 14 29 06 關於裝置故障診斷工作的思考 本文 振動論壇 關於裝置故障診斷工作的思考 最近來到故障診斷論壇，發現這裡的確是乙個學習 交流的好地方。瀏覽了部分文章，感觸頗深，想談一點自己膚淺的思考。自1985年從事裝置故障診斷工作，算來已有20餘年了，在現場實際的工作中，積累...
基於LSTM的軸承故障診斷
有一段時間沒有更新部落格了，今天寫一篇以前研究的lstm應用於軸承故障診斷 資料集 與處理方式與這篇文章裡相同 模型結構很簡單 def create model model sequential 輸入資料的shape為 n samples,timestamps,features 隱藏層設定為20,i...
異常檢測與故障診斷的區別
異常檢測就是尋找不符合期望行為的資料異常點或者離群點。在現實世界中有著廣泛的應用場景，例如信用卡欺詐檢測，保險欺詐檢測，醫療健康輔助診斷，網路入侵檢測，安全關鍵系統錯誤檢測，軍事偵察等。在異常檢測中，由於異常點少之又少，大部分是正常樣本，異常只是相對小概率事件，並且異常點的特徵表現非常不集中，即異常...