SPD流形深度度量学习

抗噪强且算力省

将轴承信号变换到SPD流形上进行特征提取与度量学习，相较于欧氏空间方法，对噪声具有更强的鲁棒性，同时计算复杂度更低。

Junshi, Cheng · 冉瑞生 · 房斌 · 76736637

Engineering Applications of Artificial Intelligence 2026

技术优势

分类精度更高

利用SPD流形的非线性表达能力，提升了分类精度，优于欧氏空间方法。

抗噪能力强

实验表明该方法对噪声具有很强的鲁棒性，在含噪环境下仍能可靠诊断。

计算复杂度低

通过SPD稀疏去噪自编码器提取特征，减少了参数和无关特征，降低了计算开销。

应用场景

• 旋转机械故障诊断：高精度识别轴承故障类型，减少停机损失。
• 工业预测性维护：在噪声环境下可靠诊断，实现预测性维护。
• AI驱动的设备健康管理：无需复杂调参，部署轻量，适合设备健康管理。