基于锐度感知增强卷积神经网络的变工况机械故障诊断

传统的深度迁移学习网络从有标签的源域故障数据中学习并迁移知识,完成无标签目标域上的诊断任务,有效解决了机械故障诊断中变工况场景面临的数据特征空间非对称问题。然而其知识迁移模块加剧了深度学习网络结构的复杂性,导致其损失函数的地貌特征比浅层网络复杂得多,优化难度更高。传统方法无法感知损失函数的地貌特征,容易使模型参数陷入参数泛化间隙大的局部最小值处,导致模型泛化性差,诊断精度降低。为了应对这一挑战,研究提出锐度感知增强的卷积神经网络(Sharpness Awareness Reinforced Convolutional Neural Network,SA-CNN),通过感知一定范围内模型损失函数的锐度,联合优化损失函数与其地貌特征的平坦程度,约束模型参数向损失函数锐度降低的方向收敛,进而提升模型的泛化性能。经典机械故障诊断数据集上的实验结果表明,相比传统的深度迁移模型,所提方法在变工况场景下进行跨域机械故障诊断时性能提升显著。