动态MAML具有高效的多尺度注意力,用于交叉负载的少射击轴承故障诊断

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 轴承故障诊断面临挑战,原因是有限的标记数据和跨运行条件的域不匹配.
• 现有的方法在不同的负载下在小样本故障诊断场景中难以通用.

研究的目的:

• 提出一个自适应的元学习框架 (AdaMETA),以提高小样本轴承故障诊断的概括性和诊断性能.
• 为了解决域不匹配问题,并在受限数据条件下从振动信号中改进特征提取.

主要方法:

• 开发了一个自适应型元学习框架 (AdaMETA),结合了动态任务意识型独立元学习 (DT-MAML) 和高效的多尺度注意力 (EMA) 模块.
• 引入了一个带有C-EMA的等级编码器,用于从振动信号中提取多级别故障特征.
• DT-MAML根据任务复杂度动态调整内循环学习速度,以减轻域偏差.

主要成果:

• 在跨领域场景下,AdaMETA在CWRU轴承数据集上实现了卓越的诊断准确性 (高达99.26%) 和稳定性.
• 在小样本轴承故障诊断中表现优于传统的元学习和经典诊断方法.
• 废弃性研究证实了EMA模块和动态学习速率组件的显著贡献.

结论:

• 拟议的AdaMETA框架有效地提高了基于有限数据的轴承故障的概括性和诊断准确性.
• 通过减轻域偏差和改进特征提取,AdaMETA为跨域故障诊断提供了强大的解决方案.
• 该框架显示了在工业设备监控和维护方面的实际应用的巨大潜力.