基于锐度感知增强卷积神经网络的变工况机械故障诊断
作者机构:上海交通大学航空航天学院 大型客机集成技术与模拟飞行全国重点实验室(上海)
出 版 物:《计算机科学》 (Computer Science)
年 卷 期:2024年
学科分类:12[管理学] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(No.61773262,No.62006152) 中国航空科学基金(No.2022Z071057002,No.20142057006)
主 题:轴承故障诊断 损失函数地貌分析 迁移学习 卷积神经网络
摘 要:传统深度迁移学习网络通过从有标签的源域故障数据中学习并迁移知识,完成无标签目标域上的诊断任务,有效解决了机械故障诊断中变工况场景面临的数据特征空间非对称问题。然而其知识迁移模块加剧了深度学习网络结构复杂的特点,导致其损失函数的地貌特征比浅层网络复杂得多,优化难度更高。传统方法无法感知损失函数的地貌特征,容易使得模型参数陷入参数泛化间隙大的局部最小值处,导致模型泛化性差,诊断精度降低。为了应对这一挑战,研究提出锐度感知增强的卷积神经网络(Sharpness awareness reinforced CNN,SA-CNN),通过感知一定范围内模型损失函数的锐度,联合优化损失函数与其地貌特征的平坦程度,约束模型参数向损失函数锐度降低的方向收敛,进而提升模型的泛化性能。经典机械故障诊断数据集上的实验结果表明,相比传统深度迁移模型,在变工况场景下本文所提方法在进行跨域机械故障诊断时性能提升显著。