基于Transformer的多标签工业故障诊断方法研究

摘要：

工业故障数据的多维性、类不均衡性和并发性为工业故障诊断带来了三大挑战:一是从多维传感器数据中提取故障特征过度依赖于专家知识;二是不同类型故障样本之间的极端类不均衡性严重限制了分类器的性能;三是多个类型的故障可能同时发生增加了故障诊断问题的复杂性.为了应对这些挑战,提出了一种基于多重自注意力机制改进的 Transformer 多标签故障诊断模型.结合自适应合成采样(adaptive synthetic sampling,ADASYN)和 Borderline-SMOTE1组合过采样方法,充分利用Transformer编码器-解码器结构以及注意力机制的优势,可以从多维传感器数据中自动提取特征并充分挖掘出多维传感器数据与多个故障标签之间的复杂映射关系.经PHM2015 Plant数据集验证表明,该方法在极端类不均衡的工业故障数据中仍可以较好地诊断出工厂生产过程中同时发生的多个故障.

关键词：Transformer网络模型、多标签、故障诊断、类不均衡

所属期刊栏目：42

分类号：TH165+.3;TH17

资助基金：国家自然科学基金;甘肃省科技计划;国家冰川冻土沙漠科学数据中心数据专题;兰州交通大学百名青年优秀人才培养计划

在线出版日期：2023-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：88-99,189