В данной статье предлагается система переноса знаний, состоящая из двух этапов и основанная на знаниях, для решения проблем диагностики неисправностей подшипников, связанных с гетерогенностью наборов данных, изменениями условий эксплуатации и ограниченным количеством размеченных данных. Подход использует легкий трансформатор в стиле GPT-2 с каузальным самовниманием для иерархического извлечения признаков из вибрационных сигналов.
Система устанавливает явные пути, где веса предварительно обученного кодировщика и вложения прототипов неисправностей служат носителями знаний от многосource предварительного обучения к адаптации целевой задачи. Она решает проблему двойного сдвига через многосource обучение для получения обобщаемых представлений, модуляцию знаний на основе прототипов для адаптации целевой задачи и таксономически-адаптивную классификацию для бесшовного переноса между гетерогенными категориями неисправностей.
Экспериментальная валидация на четырех реальных наборах данных демонстрирует среднюю точность 92,61% при использовании всего 10% размеченных целевых данных, превосходя методы передового уровня на 17,24 процентных пункта.