科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对当前基于深度学习的旋转机械故障诊断方法存在的依赖人工建模经验、需手动调参、试错迭代、面对不同诊断任务需重新创建诊断模型、异构迁移性差等问题，文中提出一种面向旋转机械迁移诊断的分层并行网络模型自动创建方法，可根据不同诊断任务快速自动地搜索出具有异构迁移性能的高精度诊断模型。基于神经结构搜索(Neural architecture search, NAS)与模块化设计的思想，设计了两类包含多层网络并行结构的基础块，区别于逐网络层搜索的模式，以基础块为单位进行搜索提高效率，控制器输出决策序列确定基础块的内部结构，并将其堆叠形成分层并行结构的子模型，根据子模型在诊断任务上的验证结果利用策略梯度算法优化控制器，循环迭代上述过程不断提高子模型的诊断精度。子模型的分层并行结构支撑了其良好的异构迁移性能，此外为解决NAS搜索耗时的瓶颈问题，在子模型训练过程中设置了权值共享机制以提高自动建模效率。所提方法面向四个不同旋转机械故障数据集进行自动建模和异构迁移诊断试验，结果表明针对四个不同诊断任务，所提方法均能高效创建出100%精度的诊断模型，消耗时间313 s到1 601 s不等，并且所创建的子模型在仅用10%目标域数据耗费100 s时间进行微调的条件下，即可面对目标诊断任务达到95%以上的迁移诊断精度。
-
单位工业和信息化部; 北京航空航天大学; 北京精密机电控制设备研究所; 自动化学院
