在复杂机械装备的运行维护中早期微弱故障的精准诊断一直是一个棘手且具有挑战性的难题因为这些微弱信号往往容易被强烈的背景噪声所淹没。为了应对这一挑战最新发表在《Structural Health Monitoring》期刊上的论文《Deep exponential excitation networks: toward stronger attention mechanism for weak fault diagnosis》提出了一种名为深度指数激励网络DEEN的深度学习诊断方法。该方法通过引入指数激励机制致力于比传统注意力机制更有效地放大微弱的故障特征信息。相比于传统的通道注意力方法该网络通过自适应地调整权重分布为机械装备在噪声干扰下的早期故障预警提供了一种技术路径。技术的起点在于对机械设备监测数据的科学预处理与特征提取。系统首先通过布置在关键部位的传感器收集振动、压力等原始物理信号并将其转化为能够反映设备运行状态的高维特征向量。在实际案例中这些向量可能涵盖气缸压力曲线的极值、均值以及扭转振动信号的频谱幅值与相位信息。提取出的特征数据集被随机划分为训练集和测试集从而为后续深度神经网络模型的参数学习与泛化性能评估奠定基础。在进入核心诊断模块前输入的高维特征向量首先通过卷积层进行多通道的特征映射。这一步骤是将一维的特征数据转化为包含丰富空间与通道关联性的多维特征图为后续的注意力分配提供更具表现力的特征基底。然后这些特征图会被输入到由多个指数激励块EEB串联堆叠而成的深层网络中通过多级架构逐步积累对重要故障信息的放大效应使提取出的特征在深层空间中表现出更强的可区分性。指数激励块EEB的设计是该方法的核心所在其流程包含特征压缩、关联学习与指数激活三个主要步骤。首先通过全局平均池化GAP将每个通道的二维特征图压缩为一个一维的通道描述符然后利用两层带ReLU激活函数的全连接层来学习通道间的非线性依赖关系。接着该方法引入了特定的缩放器如Tanh、绝对值化Tanh或Sigmoid生成基础权重并通过指数函数对这些权重进行非线性激励从而打破了传统注意力机制中权重范围的限制拉大了重要特征与无用信息之间的权重差距。在计算得到指数激励权重后系统将这些通道权重与输入的特征图进行逐通道相乘从而自适应地放大与早期微弱故障高度相关的有用特征并抑制无用的背景噪声。为了保障深层网络在训练过程中的稳定性和收敛速度EEB还融合了恒等快捷连接Identity Shortcut和批归一化BN技术确保原始有用信息得以保留并缓解梯度消失问题。在整个端到端优化阶段网络以交叉熵损失最小化为目标通过随机梯度下降SGD算法自适应地更新网络权重从而使模型在无需人工干预的情况下自主学习到最适宜的故障放大策略。为了验证该技术方案的有效性研究团队在不同信噪比环境下的船用柴油机故障数据集上进行了广泛的对比实验。结果表明在强噪声干扰如15 dB和0 dB的恶劣工况下引入了指数激励的DEEN模型展现出了较强的诊断准确性与鲁棒性。通过t-SNE高维特征可视化及混淆矩阵的分析进一步证实了该方法在拉大正常状态与早期微弱故障特征距离方面的表现这不仅为复杂机械系统的早期安全预警提供了一种解决方案也为工业大数据智能诊断技术的发展提供了有益的借鉴。文献来源Deep Exponential Excitation Networks: Towards Stronger Attention Mechanism for Weak Fault Diagnosis[J]. Structural Health Monitoring, 2024, 23(6): 3850-3866.https://journals.sagepub.com/doi/abs/10.1177/14759217231217936