| 噪声标签下注意力特征混合的旋转机械故障诊断 |
| |
| 引用本文： | 陈仁祥,张旭,徐向阳,杨宝军,赵玲,何家乐. 噪声标签下注意力特征混合的旋转机械故障诊断[J]. 仪器仪表学报, 2023, 44(9): 257-264 |
| |
| 作者姓名： | 陈仁祥 张旭 徐向阳 杨宝军 赵玲 何家乐 |
| |
| 作者单位： | 1. 重庆交通大学交通工程应用机器人重庆市工程实验室;2. 重庆智能机器人研究院 |
| |
| 基金项目： | 国家自然科学基金(51975079、62073051)、重庆市教委科学技术研究项目(KJZD-M202200701)、重庆市自然科学基金创新发展联合基金(2023NSCQ-LZX0124)、重庆市研究生联合培养基地项目( JDLHPYJD2021007)、重庆市专业学位研究生教学案例库( JDALK2022007)、重庆交通大学研究生科研创新项目(2023S0072)资助 |
| |
| 摘 要： | 实际工程中,受人为标记或数据预处理等原因影响,旋转机械故障数据集易出现噪声标签,导致故障诊断模型性能降低,故提出注意力特征混合的旋转机械故障诊断方法。 首先,构建残差神经网络(ResNet)提取样本中的时频特征,通过随机分组和特征交互构建正确标签样本组、部分噪声标签样本组和噪声标签样本组;其次,引入注意力机制计算各样本组内样本相关性对各组样本分配权值,得到能区分部分噪声样本组中噪声标签样本的差异性权值;然后,根据权值对每组样本进行混合(Mixup) ,通过对噪声标签样本插值并在反向传播中更新注意力层参数降低噪声标签样本所占比例;最后,利用在线标签平滑(OLS)统计模型预测信息更新软标签,通过降低噪声标签样本对模型损失更新的影响,进一步抑制噪声标签样本组的负面影响。 在不同程度的噪声标签干扰下的旋转机械故障数据集上进行实验验证,检测精度均达到 95% 以上,证明了所提方法的有效性。
|
| 关 键 词： | 旋转机械 故障诊断 噪声标签 注意力机制 在线标签平滑 |
Fault diagnosis of rotating machinery with attentive feature mixup in noisy labels |
| |
| Chen Renxiang,Zhang Xu,Xu Xiangyang,Yang Baojun,Zhao Ling,He Jiale. Fault diagnosis of rotating machinery with attentive feature mixup in noisy labels[J]. Chinese Journal of Scientific Instrument, 2023, 44(9): 257-264 |
| |
| Authors: | Chen Renxiang Zhang Xu Xu Xiangyang Yang Baojun Zhao Ling He Jiale |
| |
| Affiliation: | 1. Chongqing Engineering Laboratory for Transportation Engineering Application Robot, Chongqing JiaotongUniversity;2. Chongqing Robotics Institute; 1. Chongqing Engineering Laboratory for Transportation Engineering Application Robot, Chongqing Jiaotong University |
| |
| Abstract: | |
| |
| Keywords: | rotating machinery fault diagnosis noisy labels attention mechanism online label smoothing |
|
| 点击此处可从《仪器仪表学报》浏览原始摘要信息 |
|
点击此处可从《仪器仪表学报》下载免费的PDF全文 |
|
