基于交叉话的多任务学习用于多变量影响下的机器系统故障分类

机器系统本质上产生的信号中包含故障条件和各种变量对信号测量值的影响。虽然许多现有故障分类研究仅依赖直接故障标签，但上述信号自然嵌入了受其他变量影响的额外信息。本文通过多任务学习(MTL)框架联合学习故障条件和影响测量信号的其他变量。由于交叉话结构允许通过交叉话层控制任务间信息交换，同时防止负迁移，相较于常规共享干 trunk 架构具有显著优势。我们基于先前引入的残差神经维数还原器模型进行扩展，并将其应用于两个基准数据集：第一个基准为无人机故障数据集，其中机器类型和机动方向显著影响即使在相同无人机状态下测量信号的频率成分；第二个基准为电动机复合故障数据集。在该系统中，每个故障组件的严重程度、内齿轮故障、外齿轮故障、错位和不平衡会影响测量信号。在两个基准上，我们的残差神经维数还原器 consistently 优于单任务模型、合并所有标签组合的多类模型以及共享 trunk 多任务模型。