排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
针对小样本变工况轴承故障诊断中易出现过拟合的问题,提出一种在原型网络(ProNet)中加入高效通道注意力机制(ECA)的轴承故障诊断方法(ECAProNet)。基于度量学习的思想,在改进原型网络框架下将通过特征提取模块的样本信号映射至特征度量空间,在该空间内确定查询样本与各类原型间的欧式距离,得到损失函数,进而优化特征提取网络框架;为达到元学习目的,采用基于episodes的训练策略,将算法泛化到不同工况的测试诊断中。在CWRU数据集上设置5-way 5-shot和5-way 1-shot验证实验,结果表明,ECAProNet在小样本变工况轴承故障诊断中表现出较好的性能。 相似文献
3.
为解决小样本变工况轴承故障诊断中故障诊断模型参数多且泛化性能弱、故障诊断率低、诊断速度慢的问题,提出了将高效通道注意力(Efficient Channel Attention, ECA)机制与元迁移学习(Meta Transfer Learning, MTL)相结合的在线故障诊断方法。首先,将不同工况的原始振动信号转化为二维灰度图像,采用改进后的残差网络作为特征提取器进行特征提取。在不提升模型复杂度的情况下,增强了模型对重要特征的关注度,增强了模型的特征提取能力。之后,将提取到的特征与现场数据结合进行元训练,获得训练参数。最后,在元测试阶段,利用不同工况的元学习任务对模型进行微调,实现在线变工况轴承故障诊断。对比实验验证了本文方法的有效性和泛化能力。 相似文献
1