針對(duì)由工作環(huán)境和設(shè)備狀況的差異引起的軸承早期故障檢測(cè)模型可靠性差、誤報(bào)警率高的問題,根據(jù)早期故障檢測(cè)的特點(diǎn)和需求,提出一種多尺度注意力深度領(lǐng)域適配模型。首先,將監(jiān)測(cè)信號(hào)處理成由原始信號(hào)、希爾伯特-黃變換邊際譜、頻譜組成的三通道數(shù)據(jù);然后,通過在殘差注意力模塊中增加不同尺寸的濾波器以提取多尺度深度特征,使用卷積-反卷積操作來重構(gòu)輸入信息從而獲得注意力信息,并且將注意力信息與多尺度特征融合構(gòu)建了一種多尺度殘差注意力模塊,用于提取對(duì)早期故障表征能力更強(qiáng)的注意力特征;其次,在所提取到的注意力特征基礎(chǔ)上,構(gòu)建基于交叉熵和最大均值差異（MMD）正則化約束的損失函數(shù)來實(shí)現(xiàn)領(lǐng)域適配;最后,采用隨機(jī)梯度下降算法進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化,構(gòu)建端到端的早期故障檢測(cè)模型。在IEEE PHM-2012數(shù)據(jù)挑戰(zhàn)賽數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,與8種代表性的早期故障檢測(cè)和診斷方法以及遷移學(xué)習(xí)算法相比,所提方法能夠在不延遲報(bào)警時(shí)間點(diǎn)的前提下,分別比8種方法的平均誤報(bào)警率降低了62.7%和61.3%,有效提高了早期故障檢測(cè)的魯棒性。 

【文章來源】：計(jì)算機(jī)應(yīng)用. 2020,40(10)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

數(shù)據(jù)預(yù)處理

本節(jié)在殘差注意力網(wǎng)絡(luò)的基礎(chǔ)上，引入多尺度的注意力機(jī)制，對(duì)模型結(jié)構(gòu)和損失函數(shù)進(jìn)一步改進(jìn)，從而提取有效表示早期故障的多尺度注意力領(lǐng)域共享特征。具體而言，本文在圖2中Soft Mask Branch模塊引入卷積和反卷積，代替了殘差注意力網(wǎng)絡(luò)中Soft Mask Branch的線性插值和雙線性插值，使得模型可以更好地還原輸入信息，從而有利于注意力信息的提�。煌瑫r(shí)，在Trunk Branch中，由于數(shù)據(jù)尺寸大小的限制，本文只設(shè)置了一個(gè)殘差單元，且在殘差單元后添加了兩個(gè)不同尺寸的卷積核，然后再進(jìn)行拼接，以提取更豐富的深度特征。最終，將注意力信息與深度特征融合，提取表征能力更強(qiáng)的多尺度注意力特征。多尺度注意力模塊如圖4所示。如圖4所示，本文對(duì)2.2節(jié)的Soft Mask Branch和Trunk Branch進(jìn)一步改進(jìn)。其中Trunk Branch使用一個(gè)Res Net基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)以及一個(gè)1×1卷積和一個(gè)3×3卷積，用于提取深度特征F (x);Soft Mask Branch使用了兩個(gè)3×3卷積和兩個(gè)反卷積來還原輸入信息，并通過Sigmoid函數(shù)將重構(gòu)后的輸出T(x)映射到0～1，代表注意力信息。最終的注意力特征H(x)被定義為：

本文所提出的多尺度注意力深度領(lǐng)域適配模型流程如圖5所示，它是在殘差注意力網(wǎng)絡(luò)模型框架的基礎(chǔ)上進(jìn)一步的改進(jìn)，主要包括數(shù)據(jù)預(yù)處理模塊、多尺度殘差注意力模塊和領(lǐng)域適配模塊。數(shù)據(jù)預(yù)處理模塊是將原始數(shù)據(jù)分解為原始信號(hào)-邊際譜-頻譜三通道形式。多尺度殘差注意力模塊是通過不同尺寸大小的卷積來提取表征能力更強(qiáng)的多尺度深度特征，同時(shí)利用反卷積結(jié)構(gòu)來提取數(shù)據(jù)中的注意力信息，然后通過將注意力信息與多尺度深度特征融合，從而獲得對(duì)早期故障更為敏感的多尺度注意力特征。將提取到的多尺度注意力特征通過領(lǐng)域適配模塊，構(gòu)建基于交叉熵?fù)p失和最大均值差異正則化約束的損失函數(shù)，從而使得基于源域數(shù)據(jù)訓(xùn)練的早期故障檢測(cè)模型能夠?qū)Ξ惞r下目標(biāo)數(shù)據(jù)進(jìn)行有效的檢測(cè)。對(duì)于式（16）給出的目標(biāo)函數(shù)，可采用小批量梯度下降法[25]反向逐層更新訓(xùn)練參數(shù)，具體優(yōu)化步驟如下：

【參考文獻(xiàn)】：
期刊論文
[1]采用多尺度注意力機(jī)制的旋轉(zhuǎn)機(jī)械故障診斷方法[J]. 吳靜然,丁恩杰,崔冉,劉建華.  西安交通大學(xué)學(xué)報(bào). 2020(02)
[2]基于時(shí)頻融合和注意力機(jī)制的深度學(xué)習(xí)行星齒輪箱故障診斷方法[J]. 孔子遷,鄧?yán)?湯寶平,韓延.  儀器儀表學(xué)報(bào). 2019(06)
[3]大數(shù)據(jù)下機(jī)械裝備故障的深度遷移診斷方法[J]. 雷亞國,楊彬,杜兆鈞,呂娜.  機(jī)械工程學(xué)報(bào). 2019(07)
[4]基于稀疏殘差距離的多工況過程故障檢測(cè)方法研究[J]. 郭小萍,劉詩洋,李元.  自動(dòng)化學(xué)報(bào). 2019(03)
[5]基于可視化異類特征優(yōu)選融合的滾動(dòng)軸承故障診斷[J]. 楊洪柏,張宏利,劉樹林.  計(jì)算機(jī)應(yīng)用. 2017(04)



本文編號(hào)：3246992