自适应Swish非负套索收缩网络在噪声环境下旋转机械故障诊断中的应用

本文提出了一种结合残差多头模型与迁移学习（TL）的智能诊断方法，针对液压泵故障隐蔽性强、数据稀缺及噪声干扰等问题。通过源域预训练（准确率>99%）和跨工况参数迁移（目标域数据49%时仍保持99%+精度），显著提升模型鲁棒性，训练效率较传统方法提高15-28%，为液压系统智能运维提供新思路。

　　

Highlight

本研究提出了一种融合残差多头模型与迁移学习（Transfer Learning, TL）的液压泵故障诊断方法，攻克了故障样本稀缺和噪声干扰的行业难题。

Model Construction

模型架构包含四大核心模块（图4）：

1. 特征提取层：将1D振动信号通过短时傅里叶变换（STFT）转为2D时频谱，增强噪声环境下的特征稳定性

2. 多头注意力层：通过并行注意力头捕捉跨频带的故障特征关联性

3. 全连接层：采用自适应Swish激活函数实现非线性映射

4. 分类器：结合非负套索收缩（Non-negative Garrote）约束提升稀疏特征识别能力

Hydraulic Pump Data Acquisition

实验采用多负载工况数据集（表2）：

• 采样频率10 kHz，每1024点构成样本

• 源域数据（8 MPa负载）预训练模型

• 目标域涵盖5种变负载条件验证迁移效果

Conclusions

该方法在目标域49%数据条件下仍保持99%+诊断准确率，训练耗时降低28%，为工业场景中数据稀缺设备的智能诊断提供了：

? 高鲁棒性特征提取方案

? 跨工况参数迁移框架

? 15%以上的训练效率提升

（注：翻译中保留STFT等专业术语缩写，采用"?"符号突出结论要点，省略文献引用标识）