摘要: 针对滚动轴承故障诊断中处理复杂工况准确率较低的问题,提出了一类多任务学习模型以及对应的层次化训练模式。该模型通过结合多阶段、多任务联合训练,实现了层次化的信息共享模式,在普通多任务学习模式的基础上进一步提升了模型的泛化性和故障识别准确率,使模型能够同时在复杂数据集与简单数据集上出色地完成任务。与此同时,结合了一维ResNet的瓶颈层(bottleneck)结构,保证了网络的深度的同时,也规避了梯度爆炸与梯度消失等问题,能够充分地提取数据集的相关特征。最后,以帕德博恩大学轴承故障数据集为测试数据集设计了实验。实验结果表明,在不同工况复杂度下,与不使用多任务学习的OMoE(One-gate Mixture-of-Experts)-ResNet模型相比,准确率提升达到了5.45个百分点到9.30个百分点,与集成经验模态分解的Hilbert谱方法(EEMD-Hilbert)、MMoE(Multi-gate Mixture-of-Experts)、多尺度多任务注意力卷积神经网络(MSTACNN)等模型相比,准确率提升区间在5.47个百分点到18.26个百分点。
中图分类号: