基于元迁移学习的智能故障诊断方法

工程实践过程中,获取大量的故障样本可能是困难和昂贵的,即可用于训练的故障样本相对较少,导致采用传统深度学习方法训练的故障诊断模型难以快速适应新的工况。为此,提出了一种基于元迁移学习的智能故障诊断方法。首先,对精心设计的能有效提取故障特征的自注意力网络(self-attention network,SAN)进行预训练;然后,在每个“N-way M-shot”元任务上训练一个基学习器和元学习器,以自适应调整预先训练好的SAN模型的参数;最后,通过不同的小样本故障诊断(few-shot fault diagnosis,FSFD)任务验证所提方法的有效性。结果表明,该方法在跨工况FSFD任务下取得了较高的诊断精度。

基于MTLSAM模型的小样本变工况轴承故障诊断

为了解决小样本条件下的变工况轴承故障诊断的困难,提出了一种基于元迁移学习(meta transfer learning)与自注意力机制(self-attention mechanism)结合的方法MTLSAM。首先,将不同工况的原始振动信号转换为灰度图像,利用所有工况的数据训练特征提取模块的参数;其次,根据元学习方法对数据集进行随机采样,形成元学习任务。该元训练过程中,利用已知工况下的多个元学习任务,训练元模型的参数;最后,在元测试阶段,利用不同工况的元学习任务对模型进行微调实现变工况的准确诊断。实验证明,所提出的MTLSAM在小样本条件下能够较好地实现变工况故障诊断,并且具有较好的泛化能力。

基于ECAMTL模型的小样本变工况轴承故障诊断

为解决小样本变工况轴承故障诊断中故障诊断模型参数多且泛化性能弱、故障诊断率低、诊断速度慢的问题,提出了将高效通道注意力(Efficient Channel Attention, ECA)机制与元迁移学习(Meta Transfer Learning, MTL)相结合的在线故障诊断方法。首先,将不同工况的原始振动信号转化为二维灰度图像,采用改进后的残差网络作为特征提取器进行特征提取。在不提升模型复杂度的情况下,增强了模型对重要特征的关注度,增强了模型的特征提取能力。之后,将提取到的特征与现场数据结合进行元训练,获得训练参数。最后,在元测试阶段,利用不同工况的元学习任务对模型进行微调,实现在线变工况轴承故障诊断。对比实验验证了本文方法的有效性和泛化能力。