基于孪生网络的旋转机械故障诊断方法

针对实际工况下旋转机械故障样本稀缺，传统深度学习方法在小样本情况下出现欠拟合的问题，提出一种基于孪生网络(siamese network)的旋转机械故障诊断方法。首先，对有限的故障样本进行交叉配对，构造相同类别与不同类别的故障输入样本，实现对数据样本量的大幅扩容；然后，针对小样本问题构造了包含两个子模型的孪生网络，其中子模型由卷积神经网络与自注意力机制构建而成，通过计算样本之间的欧式距离得到相似度参数；最后，将相似度参数输入自建损失函数和故障分类器实现故障识别。实验证明，所以提出的网络能够依靠少量样本完成故障诊断，在样本数量相同的情况下，故障识别准确率显著高于其他深度学习模型。