小样本轴承故障诊断网络

物理信息融合

该网络通过在每个故障模式上独立训练物理信息块并与多尺度特征融合，在小样本条件下显著提升轴承故障诊断性能。

Gao, Chao · Zikai, Wang · 郭永进 · 王鸿东 · 易宏

IEEE Transactions on Industrial Informatics 2024

技术优势

小样本下诊断仍准

将物理知识融入训练过程，使模型能更好地学习故障特征，减轻对大量训练数据的依赖。

每种故障都有专属模型

为每种故障模式定制物理信息块，并独立训练，从而更针对性地提取该模式的故障特征。

融合多尺度特征

将多个独立训练的物理信息块产生的多尺度故障特征融合，获得更全面的诊断信息。

应用场景

• 旋转机械故障诊断：用物理信息融合网络在小样本下诊断轴承故障，减少对大量训练数据的依赖。
• 工业设备智能运维：在故障样本稀少时仍能准确识别故障模式，支持设备智能运维。
• 工业物联网传感数据分析：处理轴承传感器数据，从有限样本中提取故障特征进行诊断。
• 工业机器人关节状态监测：可用于关节轴承的小样本故障诊断，提高状态监测准确性。