故障诊断创新算法之【先验知识+协同学习】基于故障特征掩码引导和潜在特征拆分的自编码器机械故障诊断（PyTorch）

小样本条件下纯数据驱动方法很容易陷入过拟合和特征盲目提取所以提出一种物理引导的深度诊断范式将轴承内圈、外圈、滚动体的故障特征频率先验显式编码为故障特征掩码并引入Huber函数构建先验引导损失迫使网络学习到的特征与物理掩码对齐。更进一步将潜在特征拆分为自主学习特征 先验引导学习特征实现数据规律和物理知识的协同表达。解码器的重构任务则反向保障特征不被物理约束过分扭曲。核心思想就是将轴承内圈、外圈及滚动体的故障特征频率先验知识深度融合构建故障特征掩码以标识目标故障子空间基于Huber函数设计先验知识引导损失函数量化网络提取特征与先验掩码的差异从而降低小样本学习的盲目性进一步将编码器输出的潜在特征拆分为自主学习特征与先验引导学习特征进行协同联合学习并通过解码器重构信号反向优化特征提取能力。提出方法有效融合了物理先验与数据驱动特征在小样本条件下显著提升了故障诊断的准确率和泛化性能。算法步骤数据预处理与先验掩码构建读取滚动轴承振动时域信号分割为固定长度样本并做快速傅里叶变换得到频域幅值谱依据轴承结构参数滚动体数、节径、滚动体直径、接触角计算内圈、外圈、滚动体及正常状态的故障特征掩码值。频域特征标准化基于训练集计算频域幅值的均值和标准差对训练集和测试集分别进行标准化处理消除量纲影响。编码器潜在特征提取将标准化后的频域信号输入一维卷积编码器通过多个卷积模块和池化层提取高维潜在特征向量。潜在特征拆分与协同学习将潜在特征沿通道维度均分为两部分前一半作为自主学习特征无监督挖掘数据规律后一半作为先验引导学习特征。先验知识引导损失计算对先验引导学习特征进行全局平均池化后输入预测头得到预测掩码值采用Huber损失函数计算预测掩码与样本真实掩码之间的差异以此约束模型学习与故障频率先验一致的特征。信号重构与分类将拆分后的两部分特征拼接后输入解码器重构原始频域信号同时将完整潜在特征输入分类器输出各类故障的概率。联合损失优化模型的总损失由重构均方误差、分类交叉熵损失及先验引导Huber损失三部分加权求和构成使用RAdam优化器进行端到端的梯度反传与参数更新。测试阶段诊断对于测试样本仅通过训练好的编码器和分类器前向计算输出故障类别标签不再参与解码器重构过程。def __init__(self, latent_dim128, num_classes10): super().__init__() self.latent_dim latent_dim self.prior_dim latent_dim // 2 self.unsup_dim latent_dim - self.prior_dim assert self.unsup_dim self.prior_dim, latent_dim 必须为偶数以便均分 self.encoder Encoder(in_channels1, latent_dimlatent_dim) self.decoder Decoder(latent_dimlatent_dim, out_lenFFT_LEN) self.prior_head PriorGuideHead(input_dimself.prior_dim) self.classifier Classifier(latent_dimlatent_dim, num_classesnum_classes) def forward(self, x, return_priorFalse): # x: (batch, 1, FFT_LEN) z self.encoder(x) # (batch, latent_dim) # 拆分潜在特征 z_unsup z[:, :self.unsup_dim] z_prior z[:, self.unsup_dim:] prior_pred self.prior_head(z_prior) # (batch,) # 为了重构将两部分拼接回去保持原始z z_for_decoder torch.cat([z_unsup, z_prior], dim1) recon_x self.decoder(z_for_decoder) # (batch, 1, FFT_LEN) logits self.classifier(z) # (batch, num_classes) if return_prior: return recon_x, logits, prior_pred else: return recon_x, logits实验结果如下 当前训练样本总数 N 40 重复实验 1/3 Epoch 20 | Loss: 1.1339 | Cls: 0.3232 | Recon: 0.6310 | Prior: 0.1796 Epoch 40 | Loss: 0.7855 | Cls: 0.2179 | Recon: 0.5272 | Prior: 0.0404 最佳测试准确率: 82.47% 重复实验 2/3 Epoch 20 | Loss: 0.8560 | Cls: 0.2734 | Recon: 0.4266 | Prior: 0.1560 Epoch 40 | Loss: 0.6694 | Cls: 0.2314 | Recon: 0.3234 | Prior: 0.1146 最佳测试准确率: 94.98% 重复实验 3/3 Epoch 20 | Loss: 1.0619 | Cls: 0.2465 | Recon: 0.7044 | Prior: 0.1110 Epoch 40 | Loss: 1.0071 | Cls: 0.0810 | Recon: 0.6664 | Prior: 0.2597 最佳测试准确率: 95.21% N40 最终准确率: 97.61% ± 0.83% 当前训练样本总数 N 60 重复实验 1/3 Epoch 20 | Loss: 0.9642 | Cls: 0.1665 | Recon: 0.5974 | Prior: 0.2003 Epoch 40 | Loss: 0.5711 | Cls: 0.0656 | Recon: 0.4514 | Prior: 0.0540 最佳测试准确率: 98.04% 重复实验 2/3 Epoch 20 | Loss: 0.6082 | Cls: 0.1548 | Recon: 0.3618 | Prior: 0.0916 Epoch 40 | Loss: 0.4435 | Cls: 0.0743 | Recon: 0.2820 | Prior: 0.0871 最佳测试准确率: 98.20% 重复实验 3/3 Epoch 20 | Loss: 1.0257 | Cls: 0.1290 | Recon: 0.7214 | Prior: 0.1753 Epoch 40 | Loss: 0.7517 | Cls: 0.0464 | Recon: 0.6278 | Prior: 0.0774 最佳测试准确率: 99.53% N60 最终准确率: 99.35% ± 0.42% 当前训练样本总数 N 80 重复实验 1/3 Epoch 20 | Loss: 0.7430 | Cls: 0.1046 | Recon: 0.5477 | Prior: 0.0907 Epoch 40 | Loss: 0.6617 | Cls: 0.1508 | Recon: 0.4115 | Prior: 0.0994 最佳测试准确率: 99.84% 重复实验 2/3 Epoch 20 | Loss: 0.6859 | Cls: 0.1869 | Recon: 0.3748 | Prior: 0.1242 Epoch 40 | Loss: 0.4217 | Cls: 0.0561 | Recon: 0.3041 | Prior: 0.0615 最佳测试准确率: 99.52% 重复实验 3/3 Epoch 20 | Loss: 0.8998 | Cls: 0.1042 | Recon: 0.6988 | Prior: 0.0968 Epoch 40 | Loss: 0.7152 | Cls: 0.0746 | Recon: 0.5595 | Prior: 0.0810 最佳测试准确率: 99.20% N80 最终准确率: 99.73% ± 0.10% 当前训练样本总数 N 100 重复实验 1/3 Epoch 20 | Loss: 0.7918 | Cls: 0.1461 | Recon: 0.5429 | Prior: 0.1028 Epoch 40 | Loss: 0.6122 | Cls: 0.0914 | Recon: 0.4224 | Prior: 0.0983 最佳测试准确率: 99.68% 重复实验 2/3 Epoch 20 | Loss: 0.6009 | Cls: 0.1227 | Recon: 0.3837 | Prior: 0.0945 Epoch 40 | Loss: 0.4465 | Cls: 0.0571 | Recon: 0.3241 | Prior: 0.0653 最佳测试准确率: 99.43% 重复实验 3/3 Epoch 20 | Loss: 0.8706 | Cls: 0.1032 | Recon: 0.6652 | Prior: 0.1022 Epoch 40 | Loss: 0.6002 | Cls: 0.0207 | Recon: 0.5346 | Prior: 0.0449 最佳测试准确率: 99.76% N100 最终准确率: 99.92% ± 0.07% 当前训练样本总数 N 120 重复实验 1/3 Epoch 20 | Loss: 0.9537 | Cls: 0.2446 | Recon: 0.5144 | Prior: 0.1948 Epoch 40 | Loss: 0.4598 | Cls: 0.0174 | Recon: 0.3601 | Prior: 0.0823 最佳测试准确率: 99.75% 重复实验 2/3 Epoch 20 | Loss: 0.5607 | Cls: 0.0629 | Recon: 0.3350 | Prior: 0.1628 Epoch 40 | Loss: 0.3814 | Cls: 0.0326 | Recon: 0.3017 | Prior: 0.0471 最佳测试准确率: 99.34% 重复实验 3/3 Epoch 20 | Loss: 0.7780 | Cls: 0.0830 | Recon: 0.6355 | Prior: 0.0596 Epoch 40 | Loss: 0.7435 | Cls: 0.1900 | Recon: 0.4964 | Prior: 0.0571 最佳测试准确率: 99.75% N120 最终准确率: 100.00% ± 0.00% Epoch 10 | Loss 1.2031 | Acc 98.87% Epoch 20 | Loss 0.7956 | Acc 99.68% Epoch 30 | Loss 0.6727 | Acc 99.11% Epoch 40 | Loss 0.4860 | Acc 99.60% Epoch 50 | Loss 0.7042 | Acc 99.60%在CWRU轴承数据集的小样本故障诊断实验中提出方法取得了优异性能当每类训练样本数仅为4个总训练样本N40时平均测试准确率达97.61%标准差仅0.83%随着训练样本增加至N60、80、100、120平均测试准确率分别提升至99.35%、99.73%、99.92%和100.00%且方差持续减小。该结果表明先验知识的嵌入有效引导了模型在小样本条件下学习更具判别性的故障特征显著抑制了过拟合现象验证了提出方法在极端小样本场景下的高效性与鲁棒性。参考文章故障诊断创新算法之【先验知识协同学习】基于故障特征掩码引导和潜在特征拆分的自编码器机械故障诊断PyTorch如果你对信号滤波/降噪机器学习/深度学习时间序列预分析/预测设备故障诊断/缺陷检测/异常检测有疑问或者需要论文思路上的建议欢迎学术付费咨询担任《MSSP》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家擅长领域信号滤波/降噪机器学习/深度学习时间序列预分析/预测设备故障诊断/缺陷检测/异常检测