✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
1)多尺度分解与自注意力机制融合的孪生网络诊断方法。针对小样本条件下特征提取不充分的核心问题,本研究创新性地将多尺度信号分解技术与深度神经网络相结合。轴承故障信号往往包含多个频率成分,不同故障类型在不同尺度上表现出差异化的特征模式。通过多尺度分解处理,可以将原始振动信号分解为多个尺度层级,每个层级捕捉特定频带范围内的故障信息,从而实现对故障特征的全方位刻画。在此基础上,采用卷积神经网络对各尺度信号进行深层特征提取,通过多层卷积运算逐步抽象出高层语义特征。为了进一步提升模型在小样本场景下的学习效率,引入自注意力机制对提取的特征进行自适应加权,使网络能够自动识别并聚焦于对故障诊断最具区分性的关键特征,抑制冗余信息的干扰。孪生网络架构通过度量学习的方式,学习样本间的相似性关系而非直接分类,这种学习范式在小样本条件下具有天然优势。实验验证表明,即使训练样本数量极为有限,该模型仍能保持稳定的诊断性能,准确率持续维持在高水平,显著超越传统深度学习方法和其他小样本学习算法,充分证明了多尺度分解与自注意力机制融合策略的有效性。
(2)全局-局部一致性约束的自适应跨域诊断网络。工业设备在不同工况条件下运行时,振动信号的统计特性会发生显著变化,导致模型在训练工况下学习的知识难以迁移到新工况场景,泛化能力严重不足。为解决这一跨域适应难题,本研究提出全局-局部联合优化的网络架构。首先利用小波变换将一维振动信号转换为二维时频表示,在时频域中故障特征的分布模式更加清晰,有利于后续特征提取。网络采用双分支设计策略,全局分支对完整的时频图进行处理,学习样本的整体特征表示并进行类别预测,捕捉故障模式的宏观特性。局部分支则通过随机裁剪机制生成多个局部区域,对每个局部区域独立提取特征并进行分类,这种设计能够学习到故障模式的细粒度局部特征。关键创新在于设计了全局-局部一致性约束机制,要求同一样本的全局预测结果与局部预测结果保持一致,通过这种自监督约束,促使模型学习到更加鲁棒的跨域不变特征。该约束机制本质上是一种正则化策略,防止模型过度拟合源域数据的特定分布模式,增强特征的通用性和可迁移性。在跨工况迁移实验中,该方法在多分类任务设置下达到了接近完美的诊断准确率,证明了其出色的工况适应能力。在更具挑战性的跨设备迁移场景中,利用三个不同型号轴承数据集进行交叉验证,模型同样保持了极高的诊断性能,充分展现了方法的普适性和实用价值。
(3)基于全局-局部不确定性估计的开集故障诊断方法。实际工业应用中,设备可能出现训练阶段未曾遇到的新型故障模式,而这些未知故障往往缺乏真实标签数据。传统闭集诊断模型假设测试样本必然属于训练类别之一,面对未知故障类型时会产生错误的高置信度预测,造成严重的安全隐患。为应对开集识别挑战,本研究构建了闭集分类与开集识别协同工作的双模块架构。闭集分类器负责对已知故障类别进行精准识别,通过学习各类别的全局特征原型,建立清晰的类别决策边界。开集识别器则基于不确定性量化理论,从全局和局部两个层面评估样本的不确定性水平。具体而言,计算样本全局特征与各已知类别原型的距离分布,距离越远表明样本越不属于已知类别。同时,分析样本内部像素级局部特征的一致性,未知故障样本的局部特征往往呈现出与已知类别不同的混乱模式,表现出更高的局部不确定性。通过融合全局距离度量和局部一致性评估,构建综合不确定性得分,当得分超过预设阈值时将样本判定为未知故障。
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
