来源：期刊VIP网 时间：
作者：陈保家;阮宇豪;陈法法;肖文荣;李公法;陶波;
单位：三峡大学水电机械设备设计与维护湖北省重点实验室;重庆大学机械传动国家重点实验室;武汉科技大学冶金装备及其控制教育部重点实验室;
摘要：为解决在工业大数据条件下，有标签样本少导致机械故障诊断准确率低的问题，提出了一种半监督神经网络模型。该方法采用协同训练的方式，从时域和频域两个维度训练教师网络(T),将无标签数据转化为高质量的伪标签数据。再利用转化后的伪标签数据训练学生网络(S),通过对数据进行评判和计分，避免网络过拟合。最后通过得分函数，对伪标签数据进行阶梯筛选成为有标签数据。齿轮故障诊断结果表明：TS网络在仅有少量有标签数据的情况下，故障分类准确率达90.31%,与其他半监督方法相比，准确率高出15%～20%。在信噪比(SNR)为5、0、-5的条件下，模型可以达到86.81%、78.00%、52.78%的诊断准确率。
关键词：齿轮故障诊断;;伪标签学习;;抗噪性;;协同训练
基金资助：国家自然科学基金项目(51975324);; 机械传动国家重点实验室开放基金项目(SKLMT-MSKFKT-202020);; 水电机械设备设计与维护湖北省重点实验室(三峡大学)开放基金项目(2020KJX02,2021KJX02,2021KJX13);; 武汉科技大学冶金装备及其控制教育部重点实验室开放基金项目(MECOMF2021B04)
