基于半监督学习的小样本液压泵故障诊断方法研究

✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

✅成品或者定制，扫描文章底部微信二维码。

（1）为解决轴向柱塞泵故障数据稀缺条件下深度学习模型诊断准确率低的问题，提出了一套改进的混合半监督学习流程。该方案的核心策略是最大限度地利用少量有标签样本和大量易获取的无标签样本。首先，对有限的有标签样本进行数据增强，通过添加噪声、时序扭曲等方法生成多样化的增强样本，以模拟实际数据的变化。接着，使用一个初始教师模型对无标签样本进行预测，为高置信度的预测结果分配伪标签，从而将部分无标签数据转化为“带标签”数据。然后，进行标签增强，通过混合有标签样本与伪标签样本的特征，或直接混合输入数据，创建出混合样本，这一过程进一步丰富了训练数据的分布。最后，将所有处理后的样本输入到一个基于可学习激活函数的半监督分类网络中进行训练。该网络通过联合优化有标签数据的分类损失和无标签数据的一致性正则化损失，不断迭代更新模型参数，并重新生成混合样本，从而逐步深入地挖掘无标签数据中隐藏的故障模式信息，有效提升了小样本条件下的诊断稳定性与准确性。

（2）针对上述混合半监督方法在处理复杂小样本时可能出现的诊断准确率波动问题，创新性地设计了一种引入卷积神经网络思想的可学习激活函数分类网络结构。传统分类网络的全连接层在处理振动信号这类具有局部相关性和平移不变性的数据时，特征提取能力有限。本方案将卷积神经网络强大的空间特征提取能力与可学习激活函数的灵活性相结合。具体而言，使用可学习激活函数（如PReLU或其变体）替代传统卷积层和线性层中的固定激活函数，这些激活函数的参数在训练中动态优化，使网络能自适应地拟合不同故障模式下的最佳非线性变换。同时，网络主体采用卷积层堆叠，以自动学习信号在时域或时频域上的多尺度局部特征，并逐步抽象为高级故障表征。这种设计使分类网络不仅具备了对输入数据多尺度、深层次的分析能力，而且通过可学习激活函数增强了模型的表达能力和适应性。实验验证表明，该改进分类网络在轴向柱塞泵小样本故障诊断任务中，表现出更快的收敛速度、更高的平均诊断准确率以及更优的稳定性，显著优于传统半监督分类器。

（3）为将理论研究工程化应用，完成了从数据采集、算法验证到软件集成的完整技术链条。首先，基于轴向柱塞泵的工作原理，对滑靴磨损、配流盘磨损等典型故障进行机理分析，并据此制备物理故障件。设计并搭建了能够模拟不同压力、转速工况的故障模拟实验台，系统性地采集了正常状态与多种故障状态下的振动或压力信号。随后，对原始信号进行时域（如峰值、峭度）、频域（频谱分析）及时频域（如小波变换）分析，直观揭示了不同故障的特征表现，为算法提供了坚实的数据基础与验证依据。最后，基于所提出的改进混合半监督算法与优化的分类网络，开发了配套的液压泵故障诊断软件原型。

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇