【技术实现步骤摘要】
本专利技术涉及故障预测和计算机大数据处理，尤其是一种基于反事实推理的广义零样本复合故障诊断方法、装置和系统。
技术介绍
1、轴承是复杂工业系统中的核心零部件，其故障可能缩短设备寿命，影响工业生产，甚至引发重大安全事故。因此，及时诊断和修复轴承受损状态是确保机械设备正常运行的关键。复合故障是指一个轴承内同时发生多种单一故障，导致复合故障的特征高度耦合而难以识别，因此复合故障诊断一直是轴承故障诊断的难点。在基于学习的故障诊断方法中，由于复合故障模式呈指数增长，收集所有类型的复合故障样本用于模型训练是不现实的。但是实际工业场景中，轴承发生的故障既有单一也有复合故障，这要求诊断系统能够利用相对容易获取的单一故障样本训练模型，使得模型可以同时对单一和复合故障进行有效识别，这是复合故障诊断领域的一个重大挑战。
2、近年来零样本学习技术的蓬勃发展成为解决上述问题的有力工具。零样本学习是一种有效解决数据稀缺问题的全新机器学习方法。其基本思想是利用一些已见类别的数据，在不可见类别的先验知识(即类别标签的语义属性)的辅助下，训练某些学习模型来对...
【技术保护点】
1.一种基于反事实推理的广义零样本复合故障诊断方法，其特征在于，首先在有标签单一故障数据集上训练一阶训练模型，一阶训练模型包括：提取输入样本的故障特征的特征提取器，提取输入样本的语义特征并将语义特征映射到故障特征空间的语义对齐网络，以及结合故障特征和语义特征输出重构特征的生成对抗网络；训练阶段，基于重构特征和语义特征识别单一故障类别；测试阶段，在生成对抗网络后端设置分类器构建一阶测试模型，基于重构特征识别是单一故障还是复合故障；
2.如权利要求1所述的基于反事实推理的广义零样本复合故障诊断方法，其特征在于，一阶训练模型训练方法为：
3.如权利要...
【技术特征摘要】
1.一种基于反事实推理的广义零样本复合故障诊断方法，其特征在于，首先在有标签单一故障数据集上训练一阶训练模型，一阶训练模型包括：提取输入样本的故障特征的特征提取器，提取输入样本的语义特征并将语义特征映射到故障特征空间的语义对齐网络，以及结合故障特征和语义特征输出重构特征的生成对抗网络；训练阶段，基于重构特征和语义特征识别单一故障类别；测试阶段，在生成对抗网络后端设置分类器构建一阶测试模型，基于重构特征识别是单一故障还是复合故障；
2.如权利要求1所述的基于反事实推理的广义零样本复合故障诊断方法，其特征在于，一阶训练模型训练方法为：
3.如权利要求2所述的基于反事实推理的广义零样本复合故障诊断方法，其特征在于，一阶训练模型的末端包括鉴别器和比较器，鉴别器根据重构特征和语义特征判断输入样本是否为单一故障；比较器从鉴别器抽取隐藏层特征与语义特征进行匹配；
4.如权利要求3...
【专利技术属性】
技术研发人员：任启乐，徐娟，刘广兵，刘海山，孔徽，文宏刚，冯柏睿，巴胜富，周连春，
申请(专利权)人：合肥通用机械研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。