液压缸实际故障数据较难获取,各类别故障发生概率不同,部分故障发生之后恶化较快导致整体故障数据不均匀,难以实现故障诊断。基于此提出了一种融合时间序列分解与多头自注意力机制的变分自编码器(Seasonal-Trend decomposition using Lo...液压缸实际故障数据较难获取,各类别故障发生概率不同,部分故障发生之后恶化较快导致整体故障数据不均匀,难以实现故障诊断。基于此提出了一种融合时间序列分解与多头自注意力机制的变分自编码器(Seasonal-Trend decomposition using Loes-Multi Head Atention combined with Time structure based on VAE,STL-MATVAE)用于液压缸故障数据增强,旨在生成与原始数据特征相似但分布有差异的虚拟样本。该方法通过编码器中的多头自注意力机制提取深层特征,并利用残差连接优化网络结构以减少梯度消失;解码器引入时间序列分解组件以增强样本的时间可解释性。实验表明,STL-MATVAE生成的数据在分布特性和多样性方面优于生成对抗网络(Generative Adversarial Network,GAN),可显著提升多种分类器的诊断性能,为液压缸故障诊断提供了可靠的技术路径,并为复杂工业场景下的数据不均匀的故障诊断开辟了新的研究方向。展开更多
文摘液压缸实际故障数据较难获取,各类别故障发生概率不同,部分故障发生之后恶化较快导致整体故障数据不均匀,难以实现故障诊断。基于此提出了一种融合时间序列分解与多头自注意力机制的变分自编码器(Seasonal-Trend decomposition using Loes-Multi Head Atention combined with Time structure based on VAE,STL-MATVAE)用于液压缸故障数据增强,旨在生成与原始数据特征相似但分布有差异的虚拟样本。该方法通过编码器中的多头自注意力机制提取深层特征,并利用残差连接优化网络结构以减少梯度消失;解码器引入时间序列分解组件以增强样本的时间可解释性。实验表明,STL-MATVAE生成的数据在分布特性和多样性方面优于生成对抗网络(Generative Adversarial Network,GAN),可显著提升多种分类器的诊断性能,为液压缸故障诊断提供了可靠的技术路径,并为复杂工业场景下的数据不均匀的故障诊断开辟了新的研究方向。
