主动学习解耦注意残差网络的轴承复合故障诊断

考虑到现有的深度学习方法通常需要大量的标记数据,在实际应用中难以实现,提出了一种基于主动学习解耦注意残差网络的轴承复合故障诊断方法。首先利用主动学习技术从大量未标记数据中选择一些最有利的数据来提高模型性能,降低了对标记复合故障数据的要求。然后另外将注意模块与残差块相结合,提出了一种基于多标签熵的特征选择策略,以获取模型中最有用的未标记数据,并对这些数据进行标记。进一步将多标签解耦分类器代替常用的softmax分类器,使模型具有更好的复合故障识别能力。在轴承数据集上的实验结果证明提出方法在保证最终模型性能的前提下,能够大大减少复合故障标注的工作量。