面向轴承早期故障检测的多尺度残差注意力深度领域适配模型

发布时间：2021-06-24 11:14

　　针对由工作环境和设备状况的差异引起的轴承早期故障检测模型可靠性差、误报警率高的问题,根据早期故障检测的特点和需求,提出一种多尺度注意力深度领域适配模型。首先,将监测信号处理成由原始信号、希尔伯特-黄变换边际谱、频谱组成的三通道数据;然后,通过在残差注意力模块中增加不同尺寸的滤波器以提取多尺度深度特征,使用卷积-反卷积操作来重构输入信息从而获得注意力信息,并且将注意力信息与多尺度特征融合构建了一种多尺度残差注意力模块,用于提取对早期故障表征能力更强的注意力特征;其次,在所提取到的注意力特征基础上,构建基于交叉熵和最大均值差异（MMD）正则化约束的损失函数来实现领域适配;最后,采用随机梯度下降算法进行网络参数优化,构建端到端的早期故障检测模型。在IEEE PHM-2012数据挑战赛数据集上的实验结果表明,与8种代表性的早期故障检测和诊断方法以及迁移学习算法相比,所提方法能够在不延迟报警时间点的前提下,分别比8种方法的平均误报警率降低了62.7%和61.3%,有效提高了早期故障检测的鲁棒性。 

【文章来源】：计算机应用. 2020,40(10)北大核心CSCD

【文章页数】：9 页

【部分图文】：

数据预处理

本节在残差注意力网络的基础上，引入多尺度的注意力机制，对模型结构和损失函数进一步改进，从而提取有效表示早期故障的多尺度注意力领域共享特征。具体而言，本文在图2中Soft Mask Branch模块引入卷积和反卷积，代替了残差注意力网络中Soft Mask Branch的线性插值和双线性插值，使得模型可以更好地还原输入信息，从而有利于注意力信息的提取；同时，在Trunk Branch中，由于数据尺寸大小的限制，本文只设置了一个残差单元，且在残差单元后添加了两个不同尺寸的卷积核，然后再进行拼接，以提取更丰富的深度特征。最终，将注意力信息与深度特征融合，提取表征能力更强的多尺度注意力特征。多尺度注意力模块如图4所示。如图4所示，本文对2.2节的Soft Mask Branch和Trunk Branch进一步改进。其中Trunk Branch使用一个Res Net基础网络结构以及一个1×1卷积和一个3×3卷积，用于提取深度特征F (x);Soft Mask Branch使用了两个3×3卷积和两个反卷积来还原输入信息，并通过Sigmoid函数将重构后的输出T(x)映射到0～1，代表注意力信息。最终的注意力特征H(x)被定义为：

本文所提出的多尺度注意力深度领域适配模型流程如图5所示，它是在残差注意力网络模型框架的基础上进一步的改进，主要包括数据预处理模块、多尺度残差注意力模块和领域适配模块。数据预处理模块是将原始数据分解为原始信号-边际谱-频谱三通道形式。多尺度残差注意力模块是通过不同尺寸大小的卷积来提取表征能力更强的多尺度深度特征，同时利用反卷积结构来提取数据中的注意力信息，然后通过将注意力信息与多尺度深度特征融合，从而获得对早期故障更为敏感的多尺度注意力特征。将提取到的多尺度注意力特征通过领域适配模块，构建基于交叉熵损失和最大均值差异正则化约束的损失函数，从而使得基于源域数据训练的早期故障检测模型能够对异工况下目标数据进行有效的检测。对于式（16）给出的目标函数，可采用小批量梯度下降法[25]反向逐层更新训练参数，具体优化步骤如下：

【参考文献】：
期刊论文
[1]采用多尺度注意力机制的旋转机械故障诊断方法[J]. 吴静然,丁恩杰,崔冉,刘建华.  西安交通大学学报. 2020(02)
[2]基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法[J]. 孔子迁,邓蕾,汤宝平,韩延.  仪器仪表学报. 2019(06)
[3]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜.  机械工程学报. 2019(07)
[4]基于稀疏残差距离的多工况过程故障检测方法研究[J]. 郭小萍,刘诗洋,李元.  自动化学报. 2019(03)
[5]基于可视化异类特征优选融合的滚动轴承故障诊断[J]. 杨洪柏,张宏利,刘树林.  计算机应用. 2017(04)



本文编号：3246992