AFAO：一种用于水动力机械密封长尾分布磨损故障诊断的自适应特征调整优化方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：AFAO: adaptive feature adjustment optimization for long-tailed distributed wear fault diagnosis of hydrodynamic mechanical seal

　　

钱琳·徐 | 谢洛峰 | 刘伟民 | 尹明

摘要

在第三代核电机组中，反应堆冷却泵中的流体动力机械密封件（HDMS）经常因磨损而失效。由于对可靠性的高要求以及失效概率较低，收集故障数据颇具挑战性。这导致故障数据集呈现出长尾分布特征，即尾部数据类别较少且信号高度相似。为了解决这些问题，我们提出了自适应特征调整优化（AFAO）方法用于HDMS磨损故障诊断。AFAO首先通过扩展训练样本特征的聚类来扩大决策边界，从而反向压缩测试样本的聚类，减少实际样本跨越决策边界的可能性。随后，它利用预训练模型评估不同故障类型之间的相似性。基于此，AFAO根据分类器的权重参数自适应调整样本点的边界，并根据故障类型的频率为它们分配不同的权重。这提高了分类器对各种故障类型的识别能力。AFAO是一个即插即用的模块，可以与其他经典神经网络架构集成，以增强其对长尾数据的处理能力。实验结果表明，我们的方法与其他长尾学习方法的表现相当或更优。