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%。

针对神经网络结构搜索方法(NAS)在搜索最优结构时存在性能评估效率偏低,以及由于模型泛化性能力不足导致液压泵故障诊断精度过低等问题,提出一种改进的Data-free NAS方法。通过引入CAME优化器和热重启余弦退火优化算法,分别替代SGD优化器和LambdaLR优化算法,对Data-free NAS的诊断精度和计算效率等性能评估验证功能进行改进优化处理。通过液压泵实测故障实验验证分析可知所提改进方法较原方法具有显著有效性和优越性;CAME优化器在优化模型的学习率和动量等权重超参数方面具有明显优势,精度和效率分别提升了7.24%和37.5%,且精度高达100%;热重启余弦退火优化算法可优化学习率参数,使效率提升了81.25%。