半监督跨域诊断模型

标注极少仍高精度

该诊断模型采用对比预训练与两级样本选择策略，在跨机器跨工况的少样本场景下，所需标注量大幅降低而诊断可靠性与微调前相当。

杨乐昌 · Xianghao, Zhang · Feng, Zhu · 王哲 · Zhang, Xiaoge

Journal of Industrial Information Integration 2026

参数信息

诊断精度

96.62 %

诊断精度

90.93 %

精度提升幅度

45.79 %

精度提升幅度

62.62 %

技术优势

少样本也能可靠诊断

通过对比预训练获得通用时序表示，再用两级样本选择高效对齐，目标域仅需少量标注即可达到高精度。

精度远超现有方法

在HRD数据集条件1下精度达到96.62%，相较最佳基线方法提升45.79%；在PU轴承数据集条件1下精度达90.93%，领先最佳基线62.62%。

标注成本大幅降低

两级样本选择策略让模型在保持目标域诊断性能的同时，最大程度减少人工标注工作量。

应用场景

• 工业设备健康管理：用少量标注数据即可为不同设备建立高精度诊断模型，降低健康管理系统的部署成本。
• 预测性维护：在少样本条件下仍能可靠识别故障，支持提前制定维护计划，避免非计划停机。
• 旋转机械监测：跨工况对齐能力强，可对不同运行条件下的旋转机械进行统一监测与诊断。
• 设备故障诊断：直接提供高精度故障分类结果，且所需标注极少，降低诊断系统的开发门槛。
• 工业机器人运维：可快速适配不同型号机器人，利用少量样本实现故障诊断，提升运维效率。