基于掩码自监督学习的滚动轴承冲击特征提取方法

摘要

现有的机械故障智能诊断方法普遍需要大量的可靠样本作为模型的训练支撑，然而，实际应用场景通常缺少标签数据。针对这一难题，提出一种基于掩码自监督学习的滚动轴承局部故障冲击特征提取方法。利用随机掩码对原始轴承故障信号进行布尔运算，得到用于特征提取训练的自监督样本；将掩码处理后的信号输入所搭建的掩码自监督学习网络中，建立包含网络输出与输入峭度差信息的损失函数，对网络进行基于随机掩码自监督学习的多轮训练，使网络获得从原始故障信号中提取故障冲击特征的能力。仿真信号分析表明，所提方法在掩码遮盖比例为95%、训练轮次为250时，能够以96.68%的重构精度重建原始信号中的冲击序列。滚动轴承故障实验进一步表明，所提方法在无需额外训练数据的前提下能有效地从含噪信号中提取故障冲击序列，在效果均优于对比方法最优结果的前提下，所提方法计算耗时低于20 s,远优于MCKD类方法，具有较好的应用价值。

关键词

掩码 / 自监督学习 / 滚动轴承 / 卷积神经网络