基于GADF和PAM-Resnet的旋转机械小样本故障诊断方法

作     者：梁浩鹏 曹洁 赵小强 LIANG Hao-peng;CAO Jie;ZHAO Xiao-qiang

作者机构：兰州理工大学计算机与通信学院兰州730050 兰州理工大学电气工程与信息工程学院兰州730050 

出 版 物：《控制与决策》 (Control and Decision)

年 卷 期：2023年第38卷第12期

页      面：3465-3472页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 080201[工学-机械制造及其自动化] 

基　　金：国家重点研发计划项目(2020YFB1713600) 甘肃省重点研发计划项目(21YF5GA072) 甘肃省教育厅产业支撑计划项目(2021CYZC-02) 甘肃省教育厅项目(2022CXZX-476) 

主　　题：旋转机械 小样本故障诊断 格拉姆角差域 位置注意力模块 残差神经网络 数据增强 

摘      要：在旋转机械的实际工作中,由于故障样本有限,很难实现准确的故障诊断.对此,提出一种基于GADF和PAM-Resnet的小样本故障诊断方法.首先,构建一种数据增强策略,该策略将数目较少的一维信号样本转化为二维GADF图,之后将GADF图裁剪成多个子图,从而得到大量的图像样本,解决样本数目不足的问题;然后,构建一种位置注意力模块(PAM),该模块使用横向卷积和纵向卷积分别对横向特征和纵向特征赋予权重,融合两种特征得到GADF图的位置信息;最后,将PAM插入残差块中构建PAM残差块,并使用多个PAM残差块构建PAMResnet,PAM-Resnet可以有效地关注位置信息,具有较强的故障特征学习能力.分别进行小样本环境下的齿轮箱故障诊断和滚动轴承故障诊断实验,结果表明所提出方法具有较高的故障诊断准确率,可以准确地诊断出小样本环境下的故障类型.