由于工业生产环境中的强噪声和其他环境激励, 隔膜泵单向阀不同故障的特征呈现一定的相似性, 导致传统深度学习方法对 单向阀的故障状态难以准确识别。 为解决这一问题, 提出了一种结合监督对比学习和混合注意力残差神经网络 (HA-ResNet) 的隔 膜泵单向阀故障诊断方法。 首先, 将注意力机制引入了残差神经网络以提升网络的学习能力, 自适应调节了重要但微弱特征权重, 并以恒等变换减少了有效信息被抑制现象; 其次, 提出了加权 “监督对比损失 (SCL) + 交叉熵 (CE) 损失”, 调节单向阀不同故障状 态数据之间的距离, 明确了单向阀不同故障状态的分类边界与降低噪声或环境激励的干扰; 最后, 通过工程实测数据, 对监督对比 学习和 HA-ResNet 融合方法的有效性和稳定性进行了验证。 研究结果表明: 监督对比学习和 HA-ResNet 融合方法在隔膜泵单向阀 验证集上的平均准确率达到了 99. 3%; 与其他故障诊断方法相比, 其在诊断精度和稳定性上都具有一定的优势, 验证了该方法在噪 声干扰条件下故障诊断的可靠性。 [ABSTRACT FROM AUTHOR]