MST编辑优选：注意力引导的稀疏滤波在变转速下的机械智能故障诊断研究
文章介绍
Rui Han (韩瑞), Jinrui Wang (王金瑞), Yanbin Wan (万彦斌), Jihua Bao (包继华), Xue Jiang (姜雪), Zongzhen Zhang (张宗振), Baokun Han (韩宝坤) and Shanshan Ji (季珊珊)
通讯作者：
- 王金瑞，山东科技大学
研究背景：
随着工业自动化的不断发展，机械设备已成为现代工业生产中不可缺少的组成部分。风电机组、燃气轮机等工业设备中常出现变速现象，导致信号表征与故障模式间的映射关系极其复杂，这给机械设备的准确故障诊断带来了极大的挑战。因此，解决变速工况下的故障特征提取问题具有重要意义。注意力机制是一种新的人工智能技术，旨在使模型专注于关键信息而忽略无关信息。注意力机制的引入可以使模型能够学习相应的权重，并关注输入信号的不同部分。鉴于其强大的表征能力，本文尝试将SE注意机制引入到稀疏滤波算法中，并将其应用到机械变转速工况下的智能诊断模型设计中。
研究内容：
如图1所示，本文方法在对稀疏滤波模型进行训练前，通过加权聚集法加入SE注意机制，设置两个不同尺度的特征，对每个样本进行重叠分割，并通过L2范数对权值矩阵进行归一化，从而在保持良好特征学习的基础上，提高模型对变速信号(如图2所示)的适应性和鲁棒性。同时，它能够完成自适应滤波和准确的故障特征提取，从而实现齿轮和轴承故障的高效识别，为机械变转速智能故障诊断的工程应用提供了良好的推广价值。结果表明，所有方法都可以从学习到的特征向量中提取出有用的信息(如图3所示)，但SESF方法获得的特征向量的稀疏度最高，并且三种特征向量都具有统一的特征趋势和幅度。降维结果如图4所示，发现本文方法可以区分出几乎所有的测试样本，只有P3、C2和C3在样本散点处有少量混混现象，其他健康状况样本的聚类效果较好。这表明所提出的SESF方法具有较强的特征提取能力，可以在忽略变速影响的情况下有效识别不同类型的故障。
图1 所提方法框架
图2 三种变转速齿轮健康状况:(a)正常，(b)S3，(c)C1，(d)转速信息
图3 学习到的齿轮特征对比图
图4 齿轮降维结果对比
作者介绍
王金瑞 教授
山东科技大学
- 王金瑞，山东科技大学机械电子工程学院学术教授，主要从事机械智能故障诊断研究。主持国家自然科学基金、中国博士后科学基金、山东省自然科学基金等纵向课题6项。发表学术论文90余篇，授权国家发明专利10余项，荣获山东省科技进步二等奖。兼任Journal of Dynamics, Monitoring and Diagnostics期刊青年编委，SCI期刊Measurement Science and Technology、Sensors特刊主编。
期刊介绍
- 2022年影响因子：2.4 Citescore：3.9
- Measurement Science and Technology(MST)涵盖整个测量科学和传感器技术的理论、实践和应用，包括：精密测量和计量学；传感器和传感器系统；光学和激光技术；流体；成像；光谱学；材料和材料加工；生物、医学和生命科学；环境和大气；新型仪器系统和组件。MST还出版专题综述和特刊。