标签噪声下结合对比学习与邻域样本分析的故障诊断方法

当前基于深度学习的故障诊断方法依赖于标注完备的训练样本,当数据集中存在噪声标签时,模型会对噪声数据过拟合,影响泛化能力。为实现模型在采用标签噪声进行训练的情况下对设备运行工况的精确识别,提出一种结合对比学习与邻域样本分析的故障诊断方法。首先采用对比学习方法对模型进行预训练,拉近模型特征空间中的相似样本映射距离,实现判别能力增强;随后,基于特征相似度寻找每个样本最相似的近邻用以计算训练标签可靠性并据此执行样本划分以及标签纠正,构建更为可靠的训练子集;最后在训练过程中引入标签重加权以及一致性正则化操作增强模型鲁棒性。此外,通过同时训练两个网络模型以交替构建训练子集用于另一网络训练过程,缓解单网络模型训练框架易引起的认知偏差问题。在公共数据集上进行实验验证,结果表明所提方法能够有效识别并纠正噪声标签,在较高噪声标签情况下仍能保持良好的诊断性能。

吕太后与人彘事件

司马迁在《吕太后本纪》中大述特写人彘事件,既不是为了揭露吕太后的残忍,也不是为了表现惠帝的仁慈,其真正目的是为了贬低无能的惠帝而肯定吕太后的历史地位。

基于类感知对比学习的半监督故障诊断

当前基于数据驱动的故障诊断方法依赖于标注完备的训练样本,然而在实际工程活动中标注足量故障样本需要耗费大量人力物力。对此提出一种基于类感知对比学习的半监督故障诊断方法以综合应用少量标注样本以及大量无标注样本进行训练,减少模型训练对于标注样本的需求。首先根据模型最大概率预测值动态赋予无标注样本伪标签以参与模型训练,并结合置信度筛选以减少伪标签中噪声标签所引起的负面影响,同时引入一致性正则化,增强模型对伪标签样本的特征表达能力,构建更为完备的决策边界。随后设计类感知对比学习模块以确保模型特征空间中的各类故障样本间的类内一致性以及类间对比度,实现判别能力增强。实验结果证实,该方法能够在较少标签的条件下取得良好的诊断结果。