基于多头卷积和差分自注意力的小样本故障诊断方法 |
| |
引用本文: | 陈新度,扶治森,吴智恒,陈启愉,郭伟科.基于多头卷积和差分自注意力的小样本故障诊断方法[J].华南理工大学学报(自然科学版),2023(7):21-33. |
| |
作者姓名: | 陈新度 扶治森 吴智恒 陈启愉 郭伟科 |
| |
作者单位: | 1. 广东工业大学机电工程学院;2. 广东省科学院智能制造研究所;3. 广东省现代控制技术重点实验室 |
| |
基金项目: | 广东省重点领域研发计划项目(2019B090917004,2020B0101320002); |
| |
摘 要: | 轴承是工业设备中使用最广泛的旋转部件之一,如果轴承在故障状况下运行较长时间,将会造成巨大的经济损失并威胁人身安全,因此,对轴承故障诊断进行研究具有十分重要的意义。基于深度学习的故障诊断技术目前日趋成熟,但在小样本情况下存在过拟合、效果不稳定、准确率不高等问题。为了解决这类问题,文中提出了一种融合多头卷积(Multi-Head Convolution,MC)的数据嵌入新算法和差分自注意力(Differential Self-Attention,DSA)机制的Transformer变种模型MDT(Multi-Head Convolution and Differential Self-Attention Transformer),以实现端到端的小样本故障诊断。MC算法对样本进行多路径一维卷积,由多通道输出将样本从一维扩展到二维,通过多个卷积核尺寸提取出原样本中各个频域的丰富故障信息。相较于Transformer中原有的点积自注意力机制,DSA机制通过差分为每个特征求得对应的注意力权重向量,从而可从样本中提取出更为深层次的故障特征。MDT继承了Transformer对于处理序列数据的强大能力...
|
关 键 词: | 多头卷积 差分自注意力 Transformer变种 小样本 故障诊断 |
|
|