DOI：10.3969/j.issn.1672-3872.2025.09.035
作 者：马殿钧（长安大学工程机械学院，陕西 西安 710064）
摘 要：近几年，大量基于深度学习与大数据的滚动轴承故障诊断方法被提出，并取得了瞩目的成果。然而，并不是所有的滚动轴承故障诊断问题都有与之适应的海量数据用作训练。在实际工程中，由于轴承工作环境的复杂性和多样性，想要获取大量的故障数据是很困难的，所以利用大数据驱动滚动轴承深度智能故障诊断的方法在实际工程中的应用还有诸多困难。基于此，文章引入近几年的研究热点——小样本学习的思想，提出一种基于Meta DeepBDC模型的小样本轴承故障诊断方法。该方法以元学习为主要框架的同时也结合了度量学习的思想，在对比故障样本的支持集图像与查询集图像的相似度时，测量了图像嵌入特征的联合分布与边缘值乘积之间的差异来更有效地学习图像表示，进而提升轴承故障诊断结果的准确率。通过在太原理工大学轴承数据集上对所提出的方法进行验证，证实了该方法的有效性，能够很好地应用于轴承故障诊断中。
关键词：Meta DeepBDC方法；小样本学习；故障诊断
引文信息：[1]马殿钧.基于Meta DeepBDC方法的小样本工况下轴承故障诊断[J].南方农机，2025，56(9)：127-130+172.
查看全文请下载PDF文件↓
