电子信息技术

本发明公开了零试学习和特征提取的旋转机械故障诊断方法，属于深度学习和故障诊断领域，包括特征细化模块主要解决现有大多数方法存在的跨数据集偏差问题，该模块将语义视觉映射整合到一个统一的生成模型中，以细化可见和不可见类样本的视觉特征，引入了自适应边缘中心损失来明确鼓励类内紧凑性和类间可分性，它与语义循环一致性约束结合，使特征细化模块能够学习更有区别的与类和语义相关的特征表示，本发明不仅有效地解决了跨数据集偏差问题，避免微调的低效和过拟合风险，并且具有显著的性能增益。

跨领域故障诊断：零试学习方法无需目标领域标注数据，可直接应用于不同旋转机械的故障诊断，显著提升模型的泛化能力和适用性。

降低数据依赖：通过特征提取技术，减少对大量标注数据的依赖，降低数据采集和标注成本，加速故障诊断系统的部署。

实时监测与预警：该方法能够实时提取旋转机械的运行特征，实现早期故障预警，避免设备突发故障，提高生产安全性和效率。

推动智能运维发展：结合工业物联网和大数据技术，构建智能化运维平台，实现旋转机械的远程监控和智能诊断，推动制造业数字化转型。

本发明是在极少样本下进行旋转机械的故障诊断，在VAEGAN的基础上使用了一个特征细化(FR)模块，该模块将故障信号的语义信息和原始特征信息整合到统一的生成模型中，以细化已知类和待测新类别故障的视觉特征，而且可以有效解决跨数据集偏差问题。在FR中引入自适应边缘中心损失确保不同数据集来明确鼓数据间的差异，使网络模型可以更好地适应不同的数据集。同时为了更好的学习机械信号的语义信息和振动信号的真实的特征信息，增加了循环一致性损失进行约束，使FR能够学习到更有区别的类和相关的表示。本发明在需要少量已知数据的情况下，对未知数据进行故障诊断，不仅减轻了深度学习方法对大量数据的依赖，实现了对未知故障的检测。最重要的是对已标注的数据进行了合理利用，可以对机械设备进行实时监测，防止潜在危险发生，并且预测准确率较高，减少了财力物力在该方面的损耗。