基于残差多头注意力与迁移学习的液压泵故障智能诊断方法

本文提出了一种结合残差网络(ResNet)与多头注意力机制(MHA)的智能诊断模型，通过迁移学习(TL)解决液压泵故障数据稀缺问题。实验表明，该方法在目标域49%数据条件下仍保持99%以上的诊断准确率，训练效率提升15%，为液压系统智能运维提供了创新解决方案。

　　

Highlight

本研究提出了一种融合残差多头模型与迁移学习的先进方法，旨在保障液压系统的可靠稳定运行。该方法通过结合残差网络(ResNet)和多头注意力机制(MHA)克服故障样本数据有限的挑战。

Model construction

诊断模型架构如图4所示，包含四大核心模块：特征提取层、多头注意力层、全连接层和分类器。针对一维信号易受噪声干扰的问题，创新性地将输入信号转换为二维时频谱。虽然短时傅里叶变换(STFT)运算速度快，但本研究采用...

Hydraulic pump data acquisition

液压泵测试台架如图7所示，关键参数见表2。通过在设备出口管道安装振动传感器，以10kHz采样频率采集五种不同负载条件下的故障数据。每1024个数据点构成一个样本，有效捕捉内部故障和油液脉动产生的振动特征。

Conclusions and future works

本研究提出了液压泵故障诊断的先进方法，通过残差多头模型结合迁移学习有效解决样本稀缺问题。模型在8MPa负载条件的源域数据训练下，准确率超过99%，标准差(SD)极小且处理速度更快...未来将探索更复杂的工业场景应用。

（注：根据要求省略了文献引用标识[1][2]等，以及图示标识Fig.等）