关键词:
滚动轴承
噪声标签
Jensen-Shannon散度
半监督学习
故障诊断
摘要:
【目的】基于深度学习的滚动轴承故障诊断方法实际采集到的数据集不可避免含有错误标注的数据(噪声标签),与真实的工业场景不符,因此迫切需要提出对噪声标签具有鲁棒性的故障诊断方法。【方法】提出了一种基于Jensen-Shannon散度(JSD)和半监督学习的滚动轴承故障诊断方法。基于JSD构建样本分离模型,将训练集划分为干净标签子集和噪声标签子集,将噪声标签子集的标签去除并视为未标注数据,再通过半监督学习方法更有效地利用噪声标签子集和干净标签子集训练网络,并在CWRU轴承故障数据上添加10%、20%、30%和40%的噪声标签率,对提出的方法和网络模型Res Net18进行了对比实验。【结果】在添加40%的噪声标签率时,提出的方法测试精确度仍达到了97%,能够很好地聚集各类故障特征且没有混淆任何故障类型间的特征,实现了对故障类型的准确识别,验证了该方法模型对噪声标签具有较强的鲁棒性。【结论】本研究提出的应对噪声标签的措施是非常有效的,能够很好地解决实际工业场景中收集的数据存在噪声标签的问题,应用前景广阔。