中国机械工程 ›› 2021, Vol. 32 ›› Issue (20): 2475-2481.DOI: 10.3969/j.issn.1004-132X.2021.20.010
余浩帅;汤宝平;张楷;谭骞;魏静
YU Haoshuai;TANG Baoping;ZHANG Kai;TAN Qian;WEI Jing
摘要: 针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。
中图分类号: