噪声标签下注意力特征混合的旋转机械故障诊断

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。