摘要:尽管大多数故障诊断研究以图像、音频等作为研究的数据类型，但表格型数据的故障诊断研究仍然具有重要意义。在表格型故障诊断领域，以前的相关工作大多集中在传统的监督学习方法并且对跨工况故障诊断任务的基准评估有所不足。本文介绍一种用于表格型数据跨工况故障诊断任务的自监督学习方法，该方法将对比学习思想和表格掩码建模策略应用于以Transformer为骨干的自编码器架构。在凯斯西储大学轴承数据集的诊断实例上的结果显示，本文的方法经过适当微调后可以在目标任务中普遍优于监督学习基线方法的诊断精度。与自监督学习基线方法相比，对比学习策略和表格掩码建模策略的引入分别使得自编码器在3个目标任务中的平均诊断精度提高了0.74%和3.35%。此外，为了验证所提出的方法的合理性，本文进一步分析和讨论了该方法的保真度和效用。