针对FasterVit网络存在的注意力机制失衡、池化策略缺陷导致部分重要特征无法保留和损失函数不能全面考虑所有类别的信息导致学习到的特征比较分散等问题,提出了一种基于CFasterVit-三并联分支融合注意力机制(triple-parallel fusion at...针对FasterVit网络存在的注意力机制失衡、池化策略缺陷导致部分重要特征无法保留和损失函数不能全面考虑所有类别的信息导致学习到的特征比较分散等问题,提出了一种基于CFasterVit-三并联分支融合注意力机制(triple-parallel fusion attention model,TFAM)与余弦均匀流形逼近与投影(cosineuniform manifold approximation and projection,COS-UMAP)模型的滚动轴承故障诊断方法。该模型由FasterVit-TFAM网络、COS-UMAP降维算法和激活函数类距均值标准差损失函数(class-distance mean standard deviation loss,CMSD)-Softmax组成。首先,提出了一种新的注意力机制TFAM,并与FasterVit网络结合,提升了FasterVit网络信息关注的均衡性和表征能力;其次,将基于COS-UMAP降维算法取代FasterVit网络全连接层前最后一次池化操作,有效筛选并保留多维数据中的重要特征;最后,将类距均值标准差损失函数替换Softmax激活函数中的交叉熵损失函数,更全面地学习特征并提高模型的泛化性。西安交通大学滚动轴承数据集滚动轴承故障试验结果表明,TFAM注意力机制和其他注意力机制相比诊断准确率最大提升8.0%,COS-UMAP对比其他降维算法诊断准确率最大提升15.8%,CMSD对比交叉熵损失函数诊断准确率提升0.5%,所提模型对故障样本的识别准确率达到了99.6%,相比FasterVit提升了1.4%,相较于其他网络模型最大提升7.8%;东南大学滚动轴承数据集仿真验证试验结果表明,所提模型对故障样本识别率达98.6%,相比FasterVit提升了2.2%,平均每轮训练时间缩短了16.92 s,对比其他网络模型最大提升12.2%,有效提高了滚动轴承故障诊断模型的准确率和泛化性能。展开更多
为了解决滚动轴承故障诊断中样本分布差异大、有效故障样本少以及不同故障样本数量不均衡所导致的诊断精度较低的问题;提出基于个性化联邦迁移学习(personalized federated transfer learning,PFTL)的滚动轴承故障诊断方法。在所提出的P...为了解决滚动轴承故障诊断中样本分布差异大、有效故障样本少以及不同故障样本数量不均衡所导致的诊断精度较低的问题;提出基于个性化联邦迁移学习(personalized federated transfer learning,PFTL)的滚动轴承故障诊断方法。在所提出的PFTL中,首先在预训练阶段,将不同分布的各类型故障样本作为联邦学习的各个客户端的输入,并引入贝叶斯层级模型对联邦学习的本地训练和聚合规则进行个性化调整,从而使得预训练模型在避免过拟合问题的同时具有较强的泛化能力;其次引入模型补丁,对预训练模型结构进行调整,并利用目标任务样本对模型进一步微调;最后在CWRU轴承数据集上进行故障诊断实验。实验结果证明所提方法的有效性。展开更多
文摘针对FasterVit网络存在的注意力机制失衡、池化策略缺陷导致部分重要特征无法保留和损失函数不能全面考虑所有类别的信息导致学习到的特征比较分散等问题,提出了一种基于CFasterVit-三并联分支融合注意力机制(triple-parallel fusion attention model,TFAM)与余弦均匀流形逼近与投影(cosineuniform manifold approximation and projection,COS-UMAP)模型的滚动轴承故障诊断方法。该模型由FasterVit-TFAM网络、COS-UMAP降维算法和激活函数类距均值标准差损失函数(class-distance mean standard deviation loss,CMSD)-Softmax组成。首先,提出了一种新的注意力机制TFAM,并与FasterVit网络结合,提升了FasterVit网络信息关注的均衡性和表征能力;其次,将基于COS-UMAP降维算法取代FasterVit网络全连接层前最后一次池化操作,有效筛选并保留多维数据中的重要特征;最后,将类距均值标准差损失函数替换Softmax激活函数中的交叉熵损失函数,更全面地学习特征并提高模型的泛化性。西安交通大学滚动轴承数据集滚动轴承故障试验结果表明,TFAM注意力机制和其他注意力机制相比诊断准确率最大提升8.0%,COS-UMAP对比其他降维算法诊断准确率最大提升15.8%,CMSD对比交叉熵损失函数诊断准确率提升0.5%,所提模型对故障样本的识别准确率达到了99.6%,相比FasterVit提升了1.4%,相较于其他网络模型最大提升7.8%;东南大学滚动轴承数据集仿真验证试验结果表明,所提模型对故障样本识别率达98.6%,相比FasterVit提升了2.2%,平均每轮训练时间缩短了16.92 s,对比其他网络模型最大提升12.2%,有效提高了滚动轴承故障诊断模型的准确率和泛化性能。
文摘为了解决滚动轴承故障诊断中样本分布差异大、有效故障样本少以及不同故障样本数量不均衡所导致的诊断精度较低的问题;提出基于个性化联邦迁移学习(personalized federated transfer learning,PFTL)的滚动轴承故障诊断方法。在所提出的PFTL中,首先在预训练阶段,将不同分布的各类型故障样本作为联邦学习的各个客户端的输入,并引入贝叶斯层级模型对联邦学习的本地训练和聚合规则进行个性化调整,从而使得预训练模型在避免过拟合问题的同时具有较强的泛化能力;其次引入模型补丁,对预训练模型结构进行调整,并利用目标任务样本对模型进一步微调;最后在CWRU轴承数据集上进行故障诊断实验。实验结果证明所提方法的有效性。
