典型文献
基于自监督学习框架的发电柴油机故障诊断
文献摘要：
针对采集的船舶发电柴油机有标签状态数据集为小样本而造成的分类精度较低的问题,本文提出了一种新型的自监督学习框架用于机电设备的故障诊断,挖掘无标签数据集中的特征信息,以提高模型的分类能力.首先,通过KNN算法,将采集到的无标签数据集划分为正类样本和负类样本,并通过添加噪声的方法对原始数据进行数据增强,以此构造自监督任务.然后,设计基于卷积神经网络的编码器,根据正类、负类的伪标签,来提取无标签数据中的监督信息.最后,基于小样本的标签数据,通过编码器得到新的特征表征,对分类模型进行参数微调,提高模型精度.船舶柴油发电机故障实验证明,该自监督学习框架下的分类模型的准确率、精确率和召回率均高于直接用小样本标签数据训练的分类模型.
文献关键词：
船舶机电设备;小样本数据集;自监督学习;故障诊断
中图分类号：
作者姓名：
胡继敏;罗梅杰
作者机构：
海装驻上海地区第一军事代表室,上海,201913;海军研究院,上海,200030
文献出处：
引用格式：
[1]胡继敏;罗梅杰-.基于自监督学习框架的发电柴油机故障诊断)[J].船电技术,2022(09):19-24
A类：
自监督任务
B类：
自监督学习,发电柴油机,柴油机故障诊断,状态数据,集为,分类精度,无标签数据,标签数据集,特征信息,KNN,数据集划分,原始数据,数据增强,编码器,伪标签,监督信息,分类模型,微调,模型精度,船舶柴油发电机,电机故障,精确率,召回率,样本标签,数据训练,船舶机电设备,小样本数据集
AB值：
0.256494
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
