深度对比一类分类在轴承异常检测中的应用
作者:
作者单位:

西安交通大学机械工程学院 西安,710049

作者简介:

严如强,男,1975年2月生,博士、教授、博士生导师。国际电气与电子工程师协会会士(IEEE Fellow)、美国机械工程师协会会士(ASME Fellow)、享受国务院政府特殊津贴人员、国家百千万人才工程入选者。主要研究方向为智能运维。主持科技部重点研发计划项目和基金委自然科学基金重点项目等。获2023年国家技术发明二等奖、2020年陕西省技术发明一等奖、2020年教育部自然科学一等奖、2019年IEEE仪器与测量学会科技奖。授权国内外发明专利30余项,牵头制定智能传感与智能数据处理方面的IEEE国际标准1项。发表学术论文百余篇,撰写英文专著4部。担任国际期刊《IEEE Transactions on Instrumentation and Measurement》主编和《机械工程学报》英文版副主编。

通讯作者:

中图分类号:

TH165.3;TN911.72

基金项目:

国家自然科学基金资助项目(U23A20620)


Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对机械设备的异常数据难以获取和传统异常检测方法容易误报的问题,提出了一种基于深度对比一类分类的无监督异常检测框架,用于检测轴承等关键部件产生异常的时间点。所提出的框架分为2部分。第1部分,针对深度一类分类方法的分布未知与模型坍缩问题,提出一种改进的深度对比一类分类损失,修改了相似度度量方式,并添加了增强样本对之间的相似度约束。在训练过程中,选取4种备选的数据增强方案进行实验和分析,并选取了最佳的数据增强组合,使模型学习得到了更加均匀的正常数据分布。第2部分,采用极值理论在检测过程中不断拟合分布尾部的极值分布,动态更新异常样本阈值进而避免误报。最后,在辛辛那提轴承寿命数据集上验证了提出的异常检测框架在特征分布的均匀性、异常样本的分类准确性与故障起始点检测的精准性方面都具有优越性。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2024-10-16
  • 最后修改日期:2024-12-02
  • 录用日期:
  • 在线发布日期: 2025-02-25
  • 出版日期:
您是第位访问者
振动、测试与诊断 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司