基于自监督学习框架的发电柴油机故障诊断

针对采集的船舶发电柴油机有标签状态数据集为小样本而造成的分类精度较低的问题，本文提出了一种新型的自监督学习框架用于机电设备的故障诊断，挖掘无标签数据集中的特征信息，以提高模型的分类能力。首先，通过KNN算法，将采集到的无标签数据集划分为正类样本和负类样本，并通过添加噪声的方法对原始数据进行数据增强，以此构造自监督任务。然后，设计基于卷积神经网络的编码器，根据正类、负类的伪标签，来提取无标签数据中的监督信息。最后，基于小样本的标签数据，通过编码器得到新的特征表征，对分类模型进行参数微调，提高模型精度。船舶柴油发电机故障实验证明，该自监督学习框架下的分类模型的准确率、精确率和召回率均高于直接用小样本标签数据训练的分类模型。