針對由工作環(huán)境和設備狀況的差異引起的軸承早期故障檢測模型可靠性差、誤報警率高的問題,根據(jù)早期故障檢測的特點和需求,提出一種多尺度注意力深度領域適配模型。首先,將監(jiān)測信號處理成由原始信號、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,用于提取對早期故障表征能力更強的注意力特征;其次,在所提取到的注意力特征基礎上,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)來實現(xiàn)領域適配;最后,采用隨機梯度下降算法進行網(wǎng)絡參數(shù)優(yōu)化,構(gòu)建端到端的早期故障檢測模型。在IEEE PHM-2012數(shù)據(jù)挑戰(zhàn)賽數(shù)據(jù)集上的實驗結(jié)果表明,與8種代表性的早期故障檢測和診斷方法以及遷移學習算法相比,所提方法能夠在不延遲報警時間點的前提下,分別比8種方法的平均誤報警率降低了62.7%和61.3%,有效提高了早期故障檢測的魯棒性。 

【文章來源】：計算機應用. 2020,40(10)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

數(shù)據(jù)預處理

本節(jié)在殘差注意力網(wǎng)絡的基礎上，引入多尺度的注意力機制，對模型結(jié)構(gòu)和損失函數(shù)進一步改進，從而提取有效表示早期故障的多尺度注意力領域共享特征。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，在Trunk Branch中，由于數(shù)據(jù)尺寸大小的限制，本文只設置了一個殘差單元，且在殘差單元后添加了兩個不同尺寸的卷積核，然后再進行拼接，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2.2節(jié)的Soft Mask Branch和Trunk Branch進一步改進。其中Trunk Branch使用一個Res Net基礎網(wǎng)絡結(jié)構(gòu)以及一個1×1卷積和一個3×3卷積，用于提取深度特征F (x);Soft Mask Branch使用了兩個3×3卷積和兩個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域適配模型流程如圖5所示，它是在殘差注意力網(wǎng)絡模型框架的基礎上進一步的改進，主要包括數(shù)據(jù)預處理模塊、多尺度殘差注意力模塊和領域適配模塊。數(shù)據(jù)預處理模塊是將原始數(shù)據(jù)分解為原始信號-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的多尺度深度特征，同時利用反卷積結(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域適配模塊，構(gòu)建基于交叉熵損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)訓練的早期故障檢測模型能夠?qū)Ξ惞r下目標數(shù)據(jù)進行有效的檢測。對于式（16）給出的目標函數(shù)，可采用小批量梯度下降法[25]反向逐層更新訓練參數(shù)，具體優(yōu)化步驟如下：

【參考文獻】：
期刊論文
[1]采用多尺度注意力機制的旋轉(zhuǎn)機械故障診斷方法[J]. 吳靜然,丁恩杰,崔冉,劉建華.  西安交通大學學報. 2020(02)
[2]基于時頻融合和注意力機制的深度學習行星齒輪箱故障診斷方法[J]. 孔子遷,鄧蕾,湯寶平,韓延.  儀器儀表學報. 2019(06)
[3]大數(shù)據(jù)下機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.  機械工程學報. 2019(07)
[4]基于稀疏殘差距離的多工況過程故障檢測方法研究[J]. 郭小萍,劉詩洋,李元.  自動化學報. 2019(03)
[5]基于可視化異類特征優(yōu)選融合的滾動軸承故障診斷[J]. 楊洪柏,張宏利,劉樹林.  計算機應用. 2017(04)



本文編號：3246992