当引入类别嵌入发掘(VGSE)对液压泵进行零样本故障诊断研究时,该模型不具备收敛性、泛化性和稳定性,且存在计算效率低等问题,因此提出了改进类别嵌入发掘网络(SCP-VGSE)。为了改善VGSE网络性能,将SE注意力机制嵌入到网络结构的特征提取功能模块中;为了进一步改善网络性能,引入CAME优化器替换Adam优化器,对网络的学习率、权重等超参数进行优化处理;最后,利用粒子群算法对网络的学习率进行优化。通过液压泵实测零样本故障实验验证分析可知,所提改进方法提升了模型的收敛性、泛化性和稳定性,实现了高达96%的收敛精度,且诊断效率提升了68.75%。

多任务学习网络结构和参数冗余、网络规模过大,导致网络实时性差的问题;无法获取元件的部分或者全部故障类型样本,导致零样本问题。针对上述问题,提出一种基于元学习优化的轻量化多任务学习网络。为了提高实时性,利用MobileNetV3轻量化网络构建具有多个子任务诊断网络的轻量化多任务学习网络模型;研究了跨元件零样本问题,利用模型无关(MAML)元学习方法,对轻量化多任务学习网络的训练方式进行优化,构建基于元学习优化的轻量化多任务学习网络;最后,从不同微调步数和测试任务数角度,测试了所提网络的诊断性能。通过齿轮和轴承多元件的实测故障分析可知,所提方法可以实时高精度地解决多任务故障诊断问题和跨元件零样本问题。

基于充足样本的多个设备元件导致多任务学习网络规模庞大,轻微和严重的跨元件零样本问题难度大。在多种样本量(充足样本和零样本)下,针对基于充足故障样本的多元件诊断网络规模过于庞大问题,引入MicroNet方法对多任务学习网络进行轻量化处理,然后利用热重启余弦退火算法优化上述网络,提出一种多任务轻量化学习网络模型,改善多任务学习网络的准确率和效率。针对更高难度的跨元件零样本问题,引入元学习方法进一步改进上述MT-MN-CA,进而提出一种改进多任务轻量化学习网络模型,解决轻微和严重的跨元件零样本问题。通过实测液压泵和滚动轴承故障验证所提两个网络模型的有效性和优越性,试验结果表明所提网络具有很高的实时性和准确率。