基于残差多头注意力与迁移学习的液压泵智能诊断方法研究

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%以上准确率，训练效率提升15%，为液压传动系统可靠性运维提供了创新解决方案。（FD/STFT/CNN）

　　

Highlight

本研究提出了一种突破性的液压泵故障诊断方法，通过残差多头注意力模型与迁移学习的创新结合，攻克了故障特征隐蔽性强、样本数据稀缺的行业难题。

模型构建

诊断模型架构包含四大核心模块：

1. 特征提取层：将原始1D振动信号转化为2D时频谱（STFT），有效抑制噪声干扰

2. 多头注意力层：像"多组探照灯"并行捕捉关键故障特征，显著提升信噪比

3. 全连接层：采用ReLU激活函数构建非线性映射

4. 分类器：Softmax输出故障类型概率分布

液压泵数据采集

实验平台模拟真实工况，在5种负载条件下（最高8MPa）采集振动信号，采样频率达10kHz。每个样本包含1024个数据点，构建了涵盖多种故障模式的完备数据集。

结论与展望

该方法在跨工况迁移诊断中展现出三大优势：

• 诊断准确率>99%（SD<0.5%）

• 训练耗时减少28%

• 目标域数据需求降低51%

  未来将探索数字孪生（Digital Twin）技术增强模型泛化能力，为智能运维系统提供新范式。

作者贡献声明

申南唐：课题设计；严正奇：论文撰写；薛宇航：算法开发；林建明：论文润色；朱勇：经费支持与质量把控。

利益冲突声明

所有作者声明不存在可能影响本研究客观性的财务或个人关系。

致谢

感谢国家自然科学基金（52205057，52175052）及机械传动国家重点实验室开放课题（SKLMT-ZDKFKT-202430）的资助。