基于自选择注意力Transformer的对抗生成迁移学习方法用于变转速旋转机械多类故障诊断

《Scientific Reports》：Adversarial generative transfer learning with self-selective attention transformer for multi-class fault diagnosis under variable-speed conditions

　　摘要在变转速条件下，旋转机械的精确故障诊断仍然面临挑战，因为工作速度的变化会产生非平稳振动信号和显著的领域偏移。为了解决这一问题，本文提出了一种具有自选择注意力Transformer的对抗生成迁移学习方法。首先，使用短时傅里叶变换（STFT）将原始振动信号表示为时频域，并进行处理以获得判别性潜在特征。由于变转速数据集包含复杂且冗余的特征依赖关系，因此在特征提取层中引入了基于Transformer的注意力机制，以增强特征表示学习能力，并提高速度变化下的特征判别能力。基于迁移学习的故障诊断面临的主要挑战是，在未见过的目标速度下缺乏故障样本。此外，仅基于最大均值差异（MMD）的对齐通常不足以有效捕获复杂的非线性领域差异。同时，现有的深度生成架构主要局限于故障检测，缺乏多类故障分类能力。为了克服这些局限性，所提出的框架引入了多个故障专用生成器来增强这一范式，通过联合对抗训练和基于MMD的优化，实现从正常特征到不同故障分布的源域映射。随后，利用迁移学习，仅使用健康的目标样本来将学习到的映射适应到目标域，从而在不需要目标域故障数据的情况下，实现对未见过的目标工作速度下的多类故障分类。在实验室级风力涡轮机测试台上的实验验证表明，在四种故障条件下——正常（健康）、磨损、破碎和轴承故障，在变转速运行下，所提出的方法在诊断准确率方面始终优于基线方法。