小样本下基于SCResNeSt50和迁移学习的齿轮故障诊断OA

【目的】现有研究针对不同设备间迁移学习的齿轮故障诊断仍存在不足,尤其是在小样本条件下,诊断准确率仍待提高。为此,提出一种结合自校准卷积分散注意力网络(SCResNeSt50)模型与迁移学习策略的小样本齿轮故障诊断方法。【方法】基于连续小波变换对齿轮信号进行时频分析,生成时频图作为模型输入。采用ResNeSt网络结构融合分散注意力机制与自校准卷积改进传统卷积神经网络对时频图的线性处理方式,即使用自校准卷积替代ResNeSt模块中的常规卷积,以实现自适应响应校准和多尺度特征编码,从而扩大感受野并增强故障特征表征能力。采用迁移学习策略,通过微调源域预训练模型的分类器参数,并冻结特征提取层,以实现目标任务的有效适配,同时保留源模型的通用知识和特征表示,提高小样本条件下的齿轮故障诊断准确率。【结果】在东南大学齿轮箱数据集与康涅狄格大学齿轮数据集上进行实验,验证了方法的有效性。实验包括变工况迁移学习与跨数据集迁移学习两类场景,并与现有故障诊断方法进行对比分析。结果表明,在变工况迁移学习实验中,目标域诊断准确率分别达到98.7%和98.9%;在东南大学数据集向康涅狄格大学数据集的迁移实验中,当目标域训练集中每种齿轮状态的样本量分别为25、20、16、12、8及6个时,诊断准确率分别达到98.1%、98.1%、97.8%、97.5%、96.5%及93.1%。【结论】方法在多个实验中均取得优于其他方法的诊断准确率,表明改进的自校准卷积有效提升了齿轮故障特征的表征能力,而迁移学习策略在小样本条件下显著增强了故障诊断的可靠性。该研究为小样本条件下的齿轮故障诊断提供了可行的解决方案,推动了智能故障诊断技术的发展。