16、智能故障诊断中的自监督学习

智能故障诊断中的自监督学习

1. 引言

随着工业现代化的推进，直升机、风力涡轮机和航空发动机等大量大型机械设备的设计越来越复杂，这增加了机械系统的不稳定性。一旦发生突发故障，可能会导致重大的停机损失和严重的灾难性事故。因此，及时有效地诊断各种故障状态对于避免经济损失和提高设备安全性至关重要。

现有的机械故障诊断方法大致可分为信号处理方法和机器学习方法。信号处理方法旨在从记录的信号中提取与故障相关的频率成分，但当特征频率淹没在大量噪声中时，处理复杂信号具有挑战性。传统机器学习方法通过精心的结构设计提取手工特征，然后以数据驱动的方式构建特征与机械健康状态之间的映射，不过特征提取过程仍依赖专家知识。深度学习作为机器学习的一个子领域，无需任何数据预处理就能匹配输入和输出之间的高度非线性关系，实现更高的诊断精度，因此在故障诊断中得到了广泛应用。

然而，大多数基于深度学习的技术遵循监督学习范式，需要足够的标记样本以确保模型的稳定收敛。但在实际应用中，标记数据的数量往往不足。一方面，关键部件故障的发生很少，故障模拟实验的成本很高；另一方面，与图像和声学信号等感知数据不同，标记机械故障类型严重依赖领域专家知识，这非常耗时。当只有少量标记数据可用时，深度模型会陷入过拟合和泛化能力差的困境，因此解决机械行业的标记数据不足问题迫在眉睫。

为克服上述问题，一种直观的想法是增加标记样本的数量。数据增强是一种简单而有效的方法，可通过不同的变换增加标签不变数据的数量，但传统的数据增强方法最初是为图像设计的，不适用于振动数据。近年来，研究人员采用迁移学习来解决标记数据不足的问题，试图将从有足够标记样本的源数据中学到的通用表示迁移到标记信息稀缺的目标数据上，但这需要足够的标记源数据，标记不足的