核电站冷却水泵的小样本迁移学习故障诊断模型

摘要

针对核电站冷却水泵故障诊断中存在的小样本不平衡问题,提出一种融合迁移学习与注意力门控循环神经网络的核电站冷却水泵小样本故障诊断模型(GRU-AM-TL)。首先在门控循环神经网络(gated recurrent unit, GRU)中引入注意力层,使注意力门控循环神经网络自适应地为提取的特征分配不同的权重;然后利用迁移学习(transfer learning, TL)从相关源数据集中进行知识学习。在实验中,利用轴承数据集、齿轮箱故障数据集和核电厂模拟故障数据集进行实验,将GRU-AM-TL模型与基于GRU的方法和其他经典方法进行对比,结果表明,该方法的诊断精度相较于其他方法提高了1.2%、9.4%、12.3%、4.8%和2.9%,分别达到83.1%、85.8%、82.8%、86.4%和83.3%,可以有效提高小样本场景下的故障诊断精度。

关键词

冷却水泵 / 小样本 / 注意力门控循环神经网络 / 迁移学习 / 故障诊断精度