计算机应用

作者：徐欣然, 张绍兵, 成苗, 张洋, 曾尚

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学 计算机科学与技术学院，北京 100049；3.深圳市中钞科信金融科技有限公司，广东 深圳 518206

关键词：轴承故障诊断,预测性维护,多任务学习,深度学习,卷积神经网络

基金：四川省科技成果转移转化示范项目(2023ZHCG0005);四川省科技计划项目(2023YFG0113)

针对滚动轴承故障诊断中处理复杂工况准确率较低的问题，提出一个多任务学习（MTL）模型，即多路层次化混合专家（MHMoE）模型，以及对应的层次化训练模式。该模型结合多阶段、多任务联合训练，实现了层次化的信息共享模式，并在普通MTL模式的基础上进一步提升了模型的泛化性和故障识别准确率，使模型能同时在复杂与简单的数据集上出色地完成任务，同时，结合一维ResNet的瓶颈层结构，在保证网络深度的同时，也规避梯度爆炸与梯度消失等问题，从而能充分地提取数据集的相关特征。以帕德博恩大学轴承故障数据集（PU）为测试数据集设计的实验的结果表明，在不同工况复杂度下，与不使用MTL的单任务混合专家单元结构（OMoE）-ResNet18模型相比，所提模型的准确率提升5.45~9.30个百分点；而与集成经验模态分解的Hilbert谱变换方法（EEMD-Hilbert）、MMoE （Multi-gate Mixture-of-Experts）和多尺度多任务注意力卷积神经网络（MSTACNN）等模型相比，所提模型的准确率至少提升3.21~16.45个百分点。

来源：2025年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第1期