Limited Data Rolling Bearing Fault Diagnosis With Few-Shot Learning(基于小样本学习的有限数据滚动轴承故障诊断)

Limited Data Rolling Bearing Fault Diagnosis With Few-Shot Learning
基于小样本学习的有限数据滚动轴承故障诊断

摘要
这一篇文章主要研究有限训练数据下的轴承故障诊断问题。故障诊断中的一个主要挑战是，在所有工作条件下，无法为每种故障类型获取足够的训练样本。近年来，基于深度学习的故障诊断方法取得了可喜的成果。然而，这些方法大多需要大量的训练数据。在这项研究中，我们提出了一种基于深度神经网络的小样本学习方法，用于有限数据的滚动轴承故障诊断。我们的模型基于孪生神经网络，通过利用相同或不同类别的样本对进行学习。在带有故障诊断基准数据集CWRU上的实验结果表明，在数据可用性有限的情况下，我们的小样本学习方法在故障诊断中更有效。当在不同的噪声环境下以最少的训练数据进行测试时，我们的少镜头学习模型的性能超过了具有合理噪声水平的基线模型。当使用新的故障类型

Limited Data Rolling Bearing Fault Diagnosis With Few-Shot Learning(基于小样本学习的有限数据滚动轴承故障诊断)最先出现在Python成神之路。