摘要：在工业领域中， 六轴机器人的故障监测数据难以收集大量的故障标签数据。传统的智能诊断方法通常依赖于大规模有标签 数据的监督学习， 但这在实际应用中存在局限。在解决这一问题的同时， 针对单一模型特征提取能力不足、分类性能差的问题， 结合半监督学习机制与 Informer 在处理时序数据的优势，提出一种基于半监督学习和概率稀疏注意力的 Informer 网络架构， 实现对 少量有标签数据和大量未标签数据的深度学习， 以实现对设备故障的精准诊断。对多组真实环境下采集的工业六轴机器人试验数 据进行验证， 并与 CNN 、LSTM 、GRU 3 种深度学习网络对不同故障程度的辨识能力进行比较。结果表明， 在无标签数据为 100% 组的对比实验中所提出方法的故障诊断准确率达到了 90%， 同时具有更高的分类准确率和更快的收敛速度; 在 10% 标签数据的条 件下所提出方法可实现的诊断准确率达到 89.7%。

　　关键词：深度学习;故障诊断; 半监督学习; 无标签数据; 工业机器人

　　Informer-based Semi Supervised Learning for Fault Diagnosis of Industrial Robot Song Junjie ，Chen Chong ，Wang Tao ，Cheng Lianglun

　　(Guangdong Provincial Key Laboratory of Information Physics Fusion, Guangdong University of Technology, Guangzhou 510006. China)

　　Abstract: In industrial fields, it is difficult to collect large amounts of labeled fault data for 6-axis industrial robots. Traditional intelligent diagnosis methods usually rely on supervised learning with large-scale labeled data, but this has limitations in practical applications. In order to address this problem while tackling the issues of insufficient feature extraction capabilities and poor classification performance of individual models, by combining semi-supervised learning mechanisms with Informer's advantages in processing time series data, a semi-supervised learning and probabilistic sparse attention-based Informer network architecture model is proposed to achieve deep learning on small amounts of labeled data and large amounts of unlabeled data to realize accurate fault diagnosis. The test data collected in multiple sets of real environments are verified, by comparing with CNN, LSTM and GRU networks on distinguishing different fault severity levels, the proposed method achieved 90% diagnosis accuracy under the 100% unlabeled data setting, with higher classification accuracy and faster convergence; with 10% labeled data, the proposed method attained 89.7% diagnosis accuracy.

　　Key words: deep learning; fault diagnosis; semi-supervised learning; unlabeled data; industrial robot

　　引言

　　随着工业机器人在制造业和自动化领域的广泛应 用[1] ，对其设备故障的早期诊断[2]和维护变得至关重要[3]。 机器人系统的正常运行对生产流程的顺畅进行至关重 要[4] ， 而设备故障可能导致生产停滞和不必要的维修成 本[5]。当前故障诊断存在标注数据不足时诊断不准确的 问题[6]。因此， 研究工业机器人故障诊断技术[7]对于提升 生产效率与降低运维成本具有重要意义。

　　已有研究中， 以深度学习为代表的故障诊断技术已 成为当前的研究热点。李中美等[8] 利用卷积神经网络 (CNN) 自 动 提 取 泡 沫 图 像 特 征 ， 利 用 支 持 向 量 机 (SVM)根据提取的图像特征给出诊断结果，但研究中可 能受到了数据不平衡问题的影响。传统的监督学习方法 通常需要大量的有标签数据来训练模型， 但在实际工业环境中， 获取足够的有标签数据往往是一项艰巨的任务。 这一问题导致了模型的数据不平衡， 影响了其性能。施 锦川等[9]研究提出一种自适应融合多传感器信息的故障 诊断方法， 以解决故障信息不足的问题。但该方法是通 过多类型传感器信息融合获取丰富的故障信息， 数据收 集成本较高。袁卫明等[10]提出了一种基于深度卷积生成 式对抗网络的故障诊断方法， 将数据集输入进 DCGAN 进行对抗训练， 生成与原数据分布类似的新样本， 解决 数据不平衡问题， 但该方法需要大量的训练样本来学习 数据分布。如果训练数据有限或不够代表性， 生成的样 本质量可能会下降。其次， 传统的故障诊断方法可能在 时间序列数据的建模方面存在不足。任学平等[11]提出的 一种基于 EMD-AR 谱和 GA-BP 神经网络的滚动轴承故障 诊断模型， 是通过自回归模型对这些数据进行故障特征提取，该方法可能未能充分捕获数据中的长期依赖关系。 在工业机器人[12]在线监测中， 时间序列数据包含了丰富 的信息， 这可能导致模型无法准确预测设备的故障或异 常。马波等[13]提出一种基于专家故障诊断思维方式的多 测点、多时间点、多敏感参数相融合的故障诊断方法， 但该方法存在专家系统诊断准确度不高的问题， 还可能 缺乏对实际工业环境的自适应性。随着时间的推移， 机 器人的工作条件和性能可能会发生变化， 因此模型需要 能够自适应这些变化。陈祝云等[14]针对此不足， 提出了 一种增强迁移卷积神经网络(ETCNN)来改进机械设备 在变工况下的诊断精度和泛化能力。但是， 正常工况下 工业机器人故障不会经常发生， 所以产生的故障数据不 足，会导致小样本问题[15]。

　　为了应对这些挑战， 本文引入了一种基于半监督学 习的故障诊断方法， 该方法旨在改进和完善前人研究[16] 中存在的问题。本研究结合了 Informer 模型的强大序列 建模能力， 以及半监督学习的潜力， 旨在通过深度学习 从少量有标签数据和大量未标签数据中提取有用的信息， 实现更精准的故障诊断。通过使用 Informer 模型， 能够 更好地捕获时间序列数据中的长期依赖关系， 这有望提 高诊断的准确性， 因为它更好地反映了设备运行中的潜 在模式和异常行为。同时， 半监督学习方法不再完全依 赖于有标签数据， 而是能够自动提取和学习未标签数据 中的信息， 从而提高了故障诊断的能力。这一创新意味 着可以更充分地利用现有数据资源， 提高模型的泛化性 能， 并且更好地适应实际工业场景的数据不平衡问题。 本文以工业机器人为研究对象， 基于所提出方法， 可实 现单一故障和复合故障的准确诊断。

　　1 基于半监督学习的故障诊断方法

　　在故障诊断领域， 机器学习谱聚类方法[17] 中的半监 督学习方法[18] 近年来引起了广泛的关注。与传统的监督 学习方法不同， 半监督学习允许模型在训练过程中同时 利用有标签和未标签数据。这为故障诊断任务提供了独 特的机会， 特别是在数据不平衡或标签获取成本较高的 情况下，半监督学习能更有效地利用数据资源，允许模型 充分利用大量未标签数据，从而提高了模型的泛化能力。

　　在许多实际应用中， 收集大量有标签数据的成本很 高。半监督学习通过减少对有标签数据的需求， 降低了 成本。并且在一些任务中， 有标签数据与未标签数据存 在不平衡， 半监督学习可以帮助解决这一问题， 提高了 模型的性能。在故障诊断任务中， 半监督学习的方法为 提高故障诊断的准确性、泛化能力和效率提供了新的途 径， 特别是在数据资源有限或不平衡的情况下， 表现出 了明显的优势。

　　标签传播算法(Label Propagation Algorithm ) 是 一种基于图的半监督学习方法[19] ，其核心思想是在数据的 图表示中传播已知标签信息以为未标签数据分配标签[20]。 在数据经过标签传播算法的初始阶段， 已知标签的一些 数据点被初始化为它们的真实标签。这些数据点可以是 手动标记的一小部分样本或从其他来源获取的标签。标 签的传播是算法的核心部分。在每轮迭代中， 每个节点 聚合其已知邻居节点的标签信息， 并根据某种规则更新 自己的标签。通常考虑邻居节点的权重、相似性和它们 的当前标签， 该过程重复进行， 直到标签不再发生显著 变化或达到预定的迭代次数。标签更新规则是关键， 它 决定了如何基于邻居节点的标签信息更新当前节点的标 签。通常的规则包括多数投票法， 节点选择其邻居中最 常见的标签， 或者加权投票法， 其中权重考虑相似性和 距离。

　　2 Informer 模型的网络架构

　　Informer 是一个由多个模块组成的多时间序列预测模 型， 包括编码器、掩蔽式多头自注意力、卷积层、全连 接层、概率稀疏自注意力机制以及自适应的全局和局部 自注意力蒸馏机制。编码器由多个编码器层组成， 如图 1 所示。

      每个编码器层由多头自注意力机制和前馈网络组成。 多头自注意力机制可以捕获输入序列中不同位置之间的 依赖关系， 为每个位置提取特征表示， 并采用掩蔽方法 以防止信息泄漏。在掩蔽式多头自注意力机制中， 每个 注意力头使用掩码来防止模型使用未来信息预测当前值。 这一机制有助于模型学习序列中的长期依赖关系。同时， 模型使用多个注意力头来学习序列中不同位置之间的依 赖关系，并从不同角度提取特征。概率稀疏自注意力机制 可以引入稀疏约束，使注意力权重更稀疏化，减少输入序 列中的冗余信息，提高模型的泛化能力和可解释性。其分 布遵循长尾分布， 其中只有少数点积对主要故障特征的 关注起到贡献， 其他点积具有非常弱的效果可以忽略不 计。基于这些结果，引入了第 i 个查询的注意力：

　　使用 KL 散度来评估第 i 个查询的稀疏性： 评估故障 特征的注意力分布与均匀分布之间的差异。 KL 散度越 大，故障特征的注意力分布与均匀分布之间的距离越大， 表示差异更大， 可能是单峰的概率更高， 也就是稀疏性 更高。因此， 与遵循均匀分布的结果相比(2 个分布之 间的 KL 散度)， 可以计算每个关键词和前 u 个主要查询 的注意力分数如下：

　　编码器中的前馈网络由卷积层、 ELU 激活层、最大 池化层和全连接层组成， 这些层次可以进一步提取特征 表示。卷积层能够减少特征和参数的数量， 同时保留空 间结构， 从而提高计算效率。全连接层能够对卷积层提 取的特征进行非线性映射，学习不同层之间的复杂关系， 具体的公式如下：

　　自适应的全局和局部自注意力蒸馏机制可以学习不 同位置之间的关系以及不同注意力层之间的交互作用， 使模型能够更好地适应不同长度的输入序列， 提高了模 型的预测性能，并增强了其特征表示和抗干扰能力。

　　所使用的损失函数是常用于故障分类的交叉熵损失。 交叉熵损失对于故障诊断分类是一个有效的选择， 在采 集的电机设备样本数据集不平衡时， 它也能表现出色， 具有强大的鲁棒性。以下是交叉熵损失函数的表达式：

　　Informer 模型不仅可应用于单变量时间序列预测，还 可用于多变量时间序列预测和序列填补任务。

　　3 故障诊断方法

　　工业机器人数据是同一采样机制在不同时刻采集到 的传感器信号， 具有很强的时间特征。针对单一模型特 征提取能力不足、分类性能差的问题， 结合半监督学习 机制与 Informer 在处理时序数据的优势， 提出一种基于 半监督学习和概率稀疏注意力的 Informer 网络架构模型， 由 CNN 卷积层、编码器和多头自注意力层组成。将 CNN 卷积层与多头自注意力机制作为特征提取网络， 全连接 层作为分类器， 用于工业机器人故障分类。故障诊断流 程如图 2 所示，方法步骤如下。

　　( 1) 通过机理分析确定采集哪些与故障强相关的传 感器信号。

　　(2) 通过故障注入实验采集工业机器人系统中相应 的传感器信号。

　　(3) 通过工业机器人大数据平台收集包含常见人为 故障的多个样本的数据集， 并按照一定的比例将数据集 分为训练集和测试集。训练集用于训练模型的特征提取 和分类能力，测试集用于验证训练效果。

　　(4) 输入样本经过标签传播算法， 通过样本之间的 相似性来进行标签传播， 样本的标签会根据它们之间的 相似性进行传播和调整， 每个样本会被分配一个最终的 标签。

　　(5) 输入样本经过编码器， 经过编码和自注意力蒸 馏操作后， 将得到的特征传递到全连接层进行展平并转 换为一维特征向量。

　　(6)全连接层输出的一维特征向量经过 Softmax 激活 函数， 将其转化为多类概率的分类， 并选取最优项作为 分类结果。

　　(7) 通过 ADAM 等基于梯度下降的优化算法更新模 型参数， 寻找最佳参数组合。

　　(8)训练完成后， 保存模型并将测试集输入到模型 中测试模型准确率。

　　第 4 步中输入样本之间的相似性通常基于特征向量 的欧几里德距离、余弦相似度或其他相似性度量来计算。 这些相似性度量用于衡量样本之间特征的接近程度， 从 而确定它们是否在相似性空间中靠近。标签传播算法会 考虑这些相似性度量， 并将它们用于确定样本之间标签 的传播和调整。具体的构建过程包括以下步骤。

　　首先， 计算每一对样本之间的相似性分数， 以量化 它们之间的相似性。这可以通过计算特征向量之间的距 离或余弦相似度来完成。

　　然后， 根据相似性度量， 构建一个相似性图， 其中 图的节点对应于输入样本， 边表示样本之间的相似性分 数。通常， 相似性高的样本之间将具有较强的边连接， 而相似性低的样本之间将有较弱的边连接。

　　标签传播开始时， 每个样本都被分配一个初始标签。 标签传播算法通过迭代处理相似性图中的节点， 将每个 节点的标签根据其相邻节点的标签进行传播和调整。这 可以根据相邻节点的权重和标签来进行加权平均。标签 传播算法通常迭代多次， 直到标签不再发生显著变化或 达到预定的收敛条件为止。最终， 每个样本将被分配一 个最终的标签，这反映了其在相似性空间中的关联性。

　　总之， 标签传播算法通过考虑样本之间的相似性和 相邻关系， 自动地将标签传播到未标记的样本， 从而实 现半监督学习的目的。这个过程可根据特定的相似性度 量和算法参数进行调整， 以适应不同的应用场景。

　　基于半监督学习的 Informer 模型是一种强大的机器 学习模型， 它结合了 Informer 算法的优势和半监督学习 的概念， 以提高模型性能并降低标签数据成本。 Informer 算法以其高准确率和稳定性而著称， 适用于时间序列等 数据分析任务。半监督学习概念允许模型同时使用有标 签和无标签的数据， 以提高性能和降低成本。半监督学 习的 Informer模型则很好地结合了两者的优点， 其基于 Informer 的架构， 包括自注意力机制和 Transformer 结构， 适用于序列数据建模。同时又能够有效地利用无标签数据， 通过在训练过程中将无标签数据与有标签数据相结合，从 而提高模型的泛化性能。为此， 半监督学习的 Informer 模型通常使用一种混合损失函数， 同时考虑有标签数据 的损失和无标签数据的损失， 以平衡两者。

　　4 工业机器人故障诊断实验验证

　　本文将改进的 Informer 算法与基于半监督学习的标 签传播网络相结合， 构建了改进的半监督 Informer 模型， 具体实验描述如下。

　　实验采用 PyTorch 深度学习框架， 运行在基于 Win ‐ dows 的操作系统上的一台配备 Nvidia Geforre RTX 3060Ti GPU 和 16GB RAM 的计算机上。训练好的模型使用一个 独立的测试集进行评估。

　　4.1 数据集

　　在这项研究中， 使用了来自特定品牌的六轴工业机 器人的故障数据集来验证实验模型。该数据集包括来自 机器人驱动器的多组反馈电流数据， 包括正常和异常情 况， 数据样本每秒采集一次， 总共包含 7 种不同的操作 状态数据。

　　为了收集这个数据集， 进行了故障注入实验， 手动 用正常部件替换了有故障的组件， 并将它们安装到工业 机器人上。然后操作机器人以收集反馈电流信号。此外， 还通过复合故障注入实验收集了相关的复合故障数据。 具体的故障类型如图 3 所示。在该数据集中， 故障类型 分为复合故障、单一故障与无故障。其中， 复合故障包 括： 1 轴减速机及 2 轴电机故障、1 轴及 3 轴减速机故障、 3 轴及4 轴 减 速 机 故 障 ; 单 一 故 障 包括： 3 轴减速机故障、 2 轴电机故障、 4 轴减速机故障。每一类复合故障占比 1/9. 每一类单一故障占比 1/6. 无故障数据类别占 比 1/6. 其 中 测 试 数 据 占 比 20%，训练数据占比 80%。

　　4.2 损失函数及优化算法

　　交叉熵是一种常用的损失函数，通常用于分类问题。 它的优点包括能够直接衡量预测值与真实值之间的差异，使模型能够快速有效地训练; 具有良好的数学性质， 可 以减少在复杂模型(如深度神经网络) 中的梯度消失问 题; 对于多类别问题， 使用交叉熵损失可以让模型更关 注被错误分类的样本，从而提高模型的泛化能力。

　　ADAM 算法是一种常用的优化算法， 其优点包括自 适应性， 允许在不同参数的梯度变化范围内进行优化， 从而提高了模型的收敛速度和准确性;内存消耗低，适用 于大规模数据和高维参数的训练;对超参数选择不敏感， 能够在大多数情况下自适应选择合适的超参数。因此，交 叉熵损失函数与 ADAM 优化算法的组合可以提高模型的 训练速度和准确性， 同时有效地处理分类任务中的多分 类问题和复杂模型中的梯度消失问题。另外，在 Informer 模型中，学习率设置为 0.000 1.迭代次数设置为 100.

　　4.3 结果与分析

　　结果如图 4 所示， 随着数据量的增加， 从全标签小 样本数据(100% ， 10 000 条) 到半监督部分标签数据 (例 如 10% 、 50%) 的 情 况 下 ， 各 个 模 型 (Informer、 GRU 、LSTM 、CNN) 的准确率明显提高。在所有情况 下，训练数据越多，模型的性能越好。这表明更多的训练 数据对于训练模型来说是有益的。如图 5 所示，在给定相 同数据标签比例的情况下， GRU 、LSTM 和 CNN 模型的 性能差异较小，而 Informer 模型在大多数情况下都具有最 高的准确率。这表明对于工业机器人故障诊断这一任务， Informer 模型对于数据稀缺的情况具有一定的鲁棒性， 具有更好的泛化能力，且在大多数情况下都表现更好。

　　随着无标签数据量的增加， 各个模型的准确率都有 显著影响， 但提升的速度可能因模型而异。这表明模型 的性能可能会在更多的无标签数据下继续改进， 但收益 效果达到一定的阈值会减小。

　　从全标签小样本数据(100% ， 10 000 条) 到半监督 部分标签数据(例如 0% 、50%) 的情况下， 所有模型的 性能都有提升， 但 Informer 模型的性能提升较大， 且更 适合半监督学习的应用。

　　Informer 模型在不同大小的训练集下表现出较好的性 能， 明显优于 GRU 、LSTM 和 CNN 模型， 尤其在大型训 练集上性能提升明显。随着训练数据的增加， 所有模型 的性能都有所提高， 但 CNN 模型相对较低。图 5 表明了Informer 模型在面对各种训练集规模和性能要求的实际任 务中的潜在优势。

　　Informer 算法在各种有标签数据比例下都表现出更高 的准确率。以 10% 标签数据为例， Informer 的准确率为 89.7%， 而其他算法在相同条件下的准确率明显较低。 这表明 Informer 在不同标签数据量的情况下都能够更准 确地进行分类和预测。

　　Informer 算法在各种标签数据比例下都保持相对稳定 的表现， 而其他算法在低标签数据比例下的性能波动较 大。这说明 Informer 算法具有较好的稳定性， 对标签数 据量的变化不敏感，这在实际应用中是非常重要的。

　　4.4 讨论

　　在实验中发现， 基于半监督学习的 Informer 模型在 实际故障诊断应用中呈现出一些传统算法无法比拟的优 势。与传统算法相比， 所提模型性能更加卓越， 通过有 限的标记数据实现出色表现， 并通过有效利用未标记数 据来进一步提高性能。此外， 它也不需要大量的人工去 标记数据， 通过减少对标记数据的依赖， 降低了数据采 集和标注的成本， 特别适用于大规模数据集。该方法还 能够处理标签不平衡问题， 因为它更好地利用了少量标 签数据， 提高了对少数类别的分类性能。它也非常适用 于大规模数据， 因为它可以在大量未标记数据的情况下 进行训练，且只需一小部分标记数据。

　　5 结束语

　　工业机器人的故障诊断在小样本时面临诊断准确率 不足的问题。本文将 Informer 算法引入工业六轴机器人 故障诊断领域， 为实现更精准、高效的故障诊断提供了 新的可能性， 为应对工业环境中有限标签数据的挑战提 供了实际解决方案。 Informer 算法可有效学习到监测数据 中的时序特征。对比主流深度学习算法， Informer 算法在 不同标签数据量的情况下都展现出更高的准确性和稳定 性， 显示出其在不同情境下的鲁棒性和适应性。此外， 通过与半监督学习的结合， 利用无标签数据资源方面的 优势， 可有效缓解 Informer 算法在训练过程中对标签数 据的依赖问题， 同时降低了实际应用中的成本和挑战。 本研究可为提升制造业中的工业机器人运行维护效率和减 少停机时间提供支持。未来工作将进一步探索 Informer 与 元学习的结合机制，实现极少故障样本下准确的故障诊断。

参考文献：

　　[1] 高峰, 郭为忠 . 中国机器人的发展战略思考[J]. 机械工程学 报, 2016. 52(7): 1-5.

　　[2] 杨绍普, 顾晓辉, 刘永强,等 . 转向架关键运动部件动力学机理与 故障诊断研究综述[J].机械工程学报, 2023. 59 (20): 225-243.

　　[3] CHEN C, LIU C, WANG T, et al. Compound fault diagnosis for industrial robots based on dual-transformer networks[J]. Journal of Manufacturing Systems, 2023. 66: 163-178.

　　[4] 包壁祯, 姚潇潇, 段昭, 等 . 基于数字孪生的数控机床健康监 测系统[J]. 机电工程技术, 2023. 52(9): 123-127.

　　[5] TONG Z M, XIN J G, TONG S G, et al. Internal flow structure, fault detection, and performance optimization of centrifugal pumps[J]. Journal of Zhejiang University: Science A, 2020. 21 (2): 85-117.

　　[6] 周旷, 姜名 . 基于迁移学习的小样本目标识别研究进展与展 望[J]. 航空科学技术, 2023. 34(2): 1-9.

　　[7] 高统林, 朱坚民,黄之文 . 基于卷积神经网络的滚动轴承故障 诊断研究[J].农业装备与车辆工程, 2019. 57(12):6.

　　[8] LI Z M, GUI W H, ZHU J Y. Fault detection in flotation process ‐ es based on deep learning and support vector machine[J]. Journal of Central South University, 2019. 26(9): 2504-2515.

　　[9] SHI J C, REN Y, TANG H S, et al. Hydraulic directional valve fault diagnosis using a weighted adaptive fusion of multi-dimen ‐ sional features of a multi-sensor[J]. Journal of Zhejiang Universi ‐ ty: Science A, 2022. 23(4): 257-271.

　　[10] 袁卫民, 周凯峰, 陈飞宇, 等 . 数据不平衡下基于 DCGAN 和 AMCNN 的 滑 动 轴 承 故 障 诊 断 方 法 [J]. 工 业 控 制 计 算 机 , 2023. 36(9): 64-66.

　　[11] 任学平, 霍灿鹏 . 基于 EMD-AR 谱和 GA-BP的滚动轴承故 障诊断研究[J]. 机电工程, 2021. 38(7): 892-896.

　　[12] 廖新辉 . 手机自动化生产线六轴机器人单元工作原理及常 见故障分析[J]. 机电工程技术, 2015. 44(6): 52-55.

　　[13] 马波, 高金吉, 江志农 . 基于专家思维的多维度故障诊断方 法[J]. 机械工程学报, 2017. 53(23): 32-38.

　　[14] 陈祝云, 钟琪, 黄如意, 等 . 基于增强迁移卷积神经网络的机械智能故障诊断[J]. 机械工程学报, 2021. 57(21): 96-105.

　　[15] 潘雪玲, 李国和, 郑艺峰 . 面向深度网络的小样本学习综述 [J]. 计算机应用研究, 2023. 40(10): 2881-2888.

　　[16] 来春庆, 黄勇, 朱喆, 等 . 基于特征融合多尺度卷积网络的光 伏组件红外图像故障诊断[J]. 机电工程技术, 2023. 52(9): 145-151.

　　[17] 王少将, 刘佳, 郑锋, 等 . 机器学习层谱聚类综述[J]. 计算机 科学, 2023. 50(1): 9-17.

　　[18] 屠恩美, 杨杰 . 半监督学习理论及其研究进展概述[J]. 上海 交通大学学报, 2018. 52(10): 1280-1291.

　　[19] WANG F, ZHANG C S. Label propagation through linear neigh ‐ borhoods[C]//Proceedings of the 23rd international conference on Machine learning, 2006.

　　[20] 韩特, 李彦夫, 雷亚国, 等 . 融合图标签传播和判别特征增强 的工业机器人关键部件半监督故障诊断方法[J].机械工程 学报, 2022. 58(17): 116-124.