基于小样本音频信号的柱塞泵故障诊断.pdf

Vol 43 No.5Oct.2023噪声与振动控制NOISEANDVIBRATIONCONTROL第43卷 第5期2023年10月文章编号：1006-1355(2023)05-0142-06+273基于小样本音频信号的柱塞泵故障诊断刘禹，戴永寿，李立刚（中国石油大学（华东）海洋与空间信息学院，山东 青岛 266580）摘 要：针对音频信号在柱塞泵故障诊断中存在的样本数量不足、故障特征微弱等问题，提出一种基于音频信号结合元迁移学习（Meta-transfer Learning，MTL）的柱塞泵故障诊断方法（Fault Diagnosis of Plunger Pump Based on MTL，MTL-PAFD）。该方法以柱塞泵的音频信号为样本，在单一传感器条件下，通过Gammatone滤波器组对信号进行处理，可有效提高强噪声干扰下音频信号的表征能力，然后结合元迁移学习，能实现小样本条件下的柱塞泵故障诊断。同时，根据柱塞泵故障诊断的实际需求，改进元迁移学习在故障诊断应用中的测试方法，能够自适应处理未知故障类。实验结果表明，MTL-PAFD仅对已知类别的故障诊断准确率可达到91.41%，而经过快速自适应学习后，其在识别未知故障类时准确率能达到89.64%。关键词：故障诊断；柱塞泵；音频信号；小样本学习；元学习中图分类号：TH3；TH165+.3文献标志码：ADOI编码：10.3969/j.issn.1006-1355.2023.05.022Fault Diagnosis of Plunger Pumps Based onAudio Signal ofSmall SamplesLIU Yu,DAI Yongshou,LI Ligang(College of Oceanography and Space Informatics,China University of Petroleum(East China),Qingdao 266580,Shandong,China)Abstract:The problems of insufficient samples and weak fault features of audio signals in the fault diagnosis ofplunger pumps are studied.A fault diagnosis method of plunger pumps based on audio signal and meta-transfer learning(MTL-PAFD)is proposed.The method takes the audio signals of the plunger pump as samples,which are acquired by asingle sensor.Through the Gammatone filter bank processing,the representation ability of the audio signal under strongnoise interference is effectively improved.Then,combined with meta-transfer learning,the few-shot fault diagnosis of theplunger pump is realized.In addition,according to the actual needs of fault diagnosis of plunger pump,the test method ofmeta-transfer learning applied in the fault diagnosis is improved,which can process unknown fault classes adaptively.Experimental results show that the accuracy of the MTL-PAFD method can reach 91.41%for diagnosis of known faultclasses.After fast adaptive learning,this method can achieve an accuracy of 89.64%when identifying unknown fault classes.Key words:fault diagnosis;plunger pump;audio signal;few-shot learning;meta-learning往复式柱塞泵是液压系统的核心元件，具有举升压力高和经济实用的优点，因此被广泛应用于多种工业生产领域1。为了确保柱塞泵的正常运行和维护，许多学者开展了柱塞泵故障诊断的相关研究工作。常规的做法是通过提取柱塞泵振动信号的特征信息2，再结合机器学习方法3进行模式识别。这收稿日期：20220511基金项目：国家自然科学基金资助项目（41974144）作者简介：刘禹（1998），男，昆明市人，硕士研究生，专业方向为智能信息处理、柱塞泵故障诊断。E-mail:liu_通信作者：李立刚（1976），男，硕士生导师，专业方向为智能信息处理、自适应控制、检测技术与自动化装置、无人船避障检测及控制。E-mail:类传统的柱塞泵故障诊断方法虽然已经达到了较好的效果，但由于强烈依赖特征提取的效果，且通常难以保证泛化能力，在实际应用中存在一定的局限性。音频信号检测是一种较为新颖的故障诊断检测方法，具有非接触式测量、传感器数量较少等优势，相比振动信号检测成本更低。但由于音频信号易在传播过程中容易混叠，且诸如柱塞泵一类的机械设备声场构成复杂，难以针对音频信号开展机理分析，导致早期音频故障诊断应用受到一定的限制。随着人工智能技术的发展，数据驱动技术为音频信号在机械故障诊断上的应用提供了可行性。LIN等4提取了音频信号的梅尔倒谱系数，并将其输入到BP神经网络，实现了变压器的故障诊断。杜京义等5提取了音频信号的Gammatone倒谱系数，结合CNN实现第5期了异步电机的故障诊断。但是柱塞泵故障音频数据不易获取，且缺少公开的数据集，小样本条件下直接使用深度学习算法会导致训练出的模型过拟合，在实际测试中准确率不高。为解决上述问题，以元学习6为代表的小样本学习表现出较为突出的性能，可以在小样本条件下让神经网络达到与深度学习相近的能力。其中，与模型无关的元学习（Model-Agnostic Meta-Learning，MAML）7是一种具有代表性的元学习算法，能够让模型更关注于提高自身的快速学习能力，使得经过训练的模型可以再经过少量的梯度下降而快速适应新任务，因此该算法具有很强的泛化能力8。并且MAML 理论上可以与几乎任意神经网络相结合。元迁移学习（MTL）910又在MAML的基础上做了较大的改进，通过引入迁移学习的优势，解决了MAML与较深的神经网络结合时，所带来参数更新困难和“灾难性遗忘”问题。由于MTL可以根据其他领域数据预训练分类器，再将其迁移到目标应用场景，使得将该方法应用于小样本故障诊断存在可能。针对柱塞泵音频故障特征微弱、故障样本不易获取等问题，本文提出了一种基于音频信号结合元迁移学习的柱塞泵故障诊断方法(MTL-PAFD)，利用柱塞泵音频信号的Gammatone声谱图构建了故障数据集，将音频信号故障诊断问题转换为了小样本图像分类问题，有效提高了柱塞泵音频信号的表征能力，同时提出了一种适用于故障诊断的小样本学习测试方法，使得故障诊断模型能够自适应处理未训练过的新故障。1元迁移学习元迁移学习（MTL）9将迁移学习的思想引入MAML，不再更新全部网络模型的参数，使得该方法可 以 与 更 强 大 的 深 度 神 经 网 络（Deep neuralnetwork，DNN）进行结合。如图1所示，MTL首先利用DNN在大规模数据集上进行预训练，这一阶段，包含了许多通用性特征11卷积层作为特征提取器被冻结，而包含更多当前数据分类特征的全连接层作为分类器0被丢弃。然后按照MAML算法开展元 迁 移 训 练，通 过“缩 放 和 偏 移（Scaling andShifting，SS）”操作来优化新的分类器。并引入一种动态的在线学习方法，这种方法被称为艰难元批次任务（Hard task meta-batch，HT）：提出每个任务中分类准确率最低的类（也称为失败类），这些类又重新组合成新的任务进行训练10，提高了对困难任务的分类准确率。然而柱塞泵的音频信号是一维时间序列，故障特征不突出，直接输入网络训练难以保证故障识别准确率，并且测试信号是不带有故障标签的单一音频样本，是否出现了新的故障类仍需依靠人为判断，无法充分发挥MTL的优势。因此，要将MTL方法引入柱塞泵故障诊断，还需要对输入样本和测试方法进行适应性改进。图 1 MTL流程图2MTL-PAFD在所提出的MTL-PAFD方法中以柱塞泵音频信号的Gammatone声谱图为信号样本，通过MTL训练出柱塞泵音频小样本故障分类模型，综合多帧音频信号的分类结果，能够实现自适应处理新故障类的柱塞泵故障诊断。该方法包含4个阶段：（1）柱塞泵音频信号特征提取；（2）柱塞泵音频小样本数据集构建；（3）柱塞泵音频故障诊断模型训练；（4）柱塞泵故障诊断模型适应性改进。2.1 柱塞泵音频信号特征提取柱塞泵在运行过程中会由于机械结构的振动和摩擦而产生声音，但是柱塞泵故障带来的声音改变往往极其微弱，难以直接通过音频信号中有效识别故障。为了提高音频信号的表征能力，需要先从信息不明显的一维音频信号中提取有效特征。由于柱塞泵的工作声音集中在人耳能够分辨的20 Hz20kHz频率范围，有经验的运维人员能够通过柱塞泵声音的变化判断其是否存在故障。故引入模拟人耳耳蜗听觉特性的Gammatone声谱图，相比于音频信号 处 理 中 常 用 的 线 性 声 谱 图 和 梅 尔 倒 谱 图，Gammatone 声谱图所用的 Gammatone 滤波器组具有较强的抗噪性能，对于背景噪声较大的柱塞泵工作环境更为适用。Gammatone滤波器的脉冲响应如下：h(t)=ctn-1e-2btcos(2f0t+),t 0(1)式中：c为比例系数；n为滤波器级数；b为衰减速度；基于小样本音频信号的柱塞泵故障诊断143第43卷噪声与振动控制f0为中心频率；为相位。为了模拟人耳听觉特性，n通常取4；b可通过每个滤波器的中心频率f0计算得到；根据人耳听觉频率范围和滤波器个数，可以确定各滤波器的中心频率f0；由于人耳对声音的相位变化并不敏感，因此取0。为了确保滤波器组足够精细，同时考虑计算效率，滤波器个数选取为24。选取的Gammatone滤波器组的幅频响应如图2所示。图 2 Gammatone滤波器组幅频响应柱塞泵音频信号经过Gammatone滤波器后，再通过短时傅里叶变换（Short-time Fourier transform，STFT）生成Gammatone声谱图：STFT(,)=-x(t)(t-)e-itdt(2)式中：为归一化角频率，为时延系数，使用长度为128的汉宁窗作为窗函数(t)，并显示信号的单边频谱。滤波前后的声谱图对比如图3所示。图3展示了正常状态下的柱塞泵音频信号声谱图，可以看出，柱塞泵运行时的声音信号覆盖频率范围广，在整个频段上存在较大的噪声干扰。而经过Gammatone滤波后，柱塞泵音频信号的中低频部分被显著增强，高频部分过渡更为平滑，类似于通过人耳对强弱信号的对比分辨能力，使得信号的有效信息更加突出，有利于后续的故障识别。而且，将柱塞泵故障音频信号转换为Gammatone声谱图像，故障诊断问题就被转化为图像分类的问题，可以引入技术更为成熟的图像分类方法进行处理。2.2 柱塞泵音频小样本数据集构建首先，由于能采集到的柱塞泵故障音频信号有限，需要对其进行数据扩充，将每种故障状态下采集到的柱塞泵音频信号切割为多段信号样本，为了让信号样本能够充分表现柱塞泵的动态特征，应保证每段切割后的信号至少包含2次柱塞泵往复运动。将切割后的柱塞泵各段音频信号转换为Gammatone声谱图后，构建出柱塞泵音频故障数据集。然后，需要从原始数据集中划分出训练集Dtrain、验证集Dval和测试集Dtest。首先，为了后续验证模型的跨任务故障识别能力，先预留出几类数据作为Dtest，剩下数据按照6：4的比例划分为Dtrain和Dval。然后，根据MTL的训练模式，还需要分别在各类数据中随机采样，组合为多个任务。2.3 柱塞泵音频故障诊断模型训练根据MTL方法，首先使用大规模数据集预训练一个DNN网络用作特征提取器。这一阶段要求尽可能提高模型对图像通用特征的提取能力，而无须关注图像中具体内容。为了使DNN不过快地在这1阶段过拟合，选用类别足够多、复杂度足够高的miniImageNet数据集，该数据集常用于小样本分类，包含100类不同物体RGB图像。在众多DNN中，残差网络（Residual Neural Network，Resnet）通过引入了残差结构有效解决了深层网络的退化问题，并在图像分类领域取得了突破性的成绩，是一种性能强大的DNN。同时，小样本条件下并不适合使用过深的网络，因此选用Resnet-12作为基础网络模型。按照第1节中所述的MTL训练方法，在miniImageNet数据集上开展预训练后，再通过SS操作在所构建的柱塞泵音频小样本数据集上训练新的分类器。2.4 柱塞泵故障诊断模型适应性改进经过上述阶段训练的故障诊断模型虽已基本具(a)滤波前(b)滤波后图 3 滤波前后柱塞泵音频信号声谱图144第5期备了故障识别的能力，但无法识别未经训练过的新故障类。为了有效利用MTL快速适应新类的优势，需要对训练好的模型进行适应性改进。本文根据柱塞泵故障诊断的实际需求，提出了能够自适应处理新故障类的测试方法，用于MTL-PAFD方法的测试和实施，技术路线如图4所示。图 4 MTL-PAFD测试流程图首先，需要先复制一个训练完成的柱塞泵音频故障分类模型的副本（称为模型b），该模型用于输出故障分类结果，原模型（称为模型a）用于在出现未训练的新类时进行MTL训练，两个模型的参数全程共享。开始测试时，先将采集到的一段柱塞泵音频信号分割为多帧信号，然后按照第2.1小节所述的方法提取出信号的Gammatone声谱图，将各帧声谱图按照监督学习的测试方法，逐一输入网络模型b进行分类。如果各帧分类结果基本一致，则认为该信号属于训练过的故障类别，直接输出一致性较高的故障分类结果。如果分类结果不一致，则将当前信号视为未见类，按照MTL的方法，将各帧信号样本作为新类，并赋予新的标签编号，与其他类样本组成新的任务输入模型a进行微调。微调后模型b的结构和参数也会得到相应改变，再使用更新后的模型b重新对该信号进行分类，并输出故障分类结果。由于柱塞泵音频训练样本数量均衡，直接采用准确率作为分类结果一致性的判断标准，判断规则如下：分类结果一致性=基本一致,pmax accth不一致,pmax accth(3)pmax=max(numi)numn 100%(4)式中：numi为测试样本被识别为某一类的数量，numn为测试样本总帧数。accth为设定的判断阈值，需要根据模型a在验证集中的表现确定，要求：accth accmin(5)为了确保未知故障类的测试信号不被误判为已知类，式（5）中的 accmin为验证集中最低一类的准确率。3实验装置和条件实验对象为一个小型高压往复式柱塞泵，具体工作参数如表1所示。在该柱塞泵实验平台上开展数据采集实验，人为在柱塞泵上制造常见的故障，然后全程使用位置固定的1个ECM888B测量麦克风，结合笔记本电脑采集柱塞泵音频信号，实验平台如图5所示。图 5 实验用柱塞泵平台根据柱塞泵故障出现的频次，可以将柱塞泵常见的故障模式划分为 3 个大类。具体分析如表 2所示。根据柱塞泵常见的故障模式，选取了其中易于通过人工制造的故障，对实验柱塞泵开展了破坏性实验。制造出故障后，通过信号采集设备采集柱塞泵在故障工况下的音频信号。采集完成每种故障信号后，对柱塞泵进行维修将其复原至正常工况，再进行下一次破坏性实验。采集到的柱塞泵音频信号样本一共包含14种状态，样本划分如表3所示，故障名称前的数字为对应的标签编号。由于实验中使用的往复式柱塞泵往复次数为280 min-1，为了保证每个信号样本至少包含2次往复运动，因此每个信号样本长度取为0.5 s。经过特征表 1 柱塞泵实验平台工作参数型号3QP0出口压力/MPa6流量/(Lmin-1)25柱塞直径/mm35行程/mm35往复次数/(min-1)280进口压力/MPa0.1电机功率/kW4基于小样本音频信号的柱塞泵故障诊断145第43卷噪声与振动控制表 2 柱塞泵常见故障模式故障出现频次频次较多频次居中频次较少故障类型泵头内阀漏失弹簧断裂填料密封泄露十字头丝扣松动轴承与轴瓦间隙增大十字头磨损曲轴轴承磨损皮带松动、磨损轴瓦紧固脱落曲轴断裂轴瓦爆瓦轴承严重磨损故障特点只影响生产，不影响设备影响设备零件使用数量及引起机油变质只影响设备，不影响生产对泵体本身造成破坏机油变质长期磨损导致表 3 柱塞泵音频信号样本划分训练样本0正常1柱塞松动2填料密封泄露3泵地脚螺栓松动4电机地脚螺栓松动5电机偏心6阀芯损坏7轴承支架损坏8十字头磨损测试样本9阀座弹簧损坏10皮带损坏11柱塞点蚀12轴承外圈磨损13柱塞磨损提取后的信号样本共包含14个状态类，每一类包含20 张柱塞泵信号的 9292 RGB 声谱图，共 280 个样本。为了保证实验条件的一致，所有实验都在相同的硬件环境中开展：Intel Xeon(R)Gold 6226R2.90GHz 2.89 GHz CPU，256 GB RAM，NVIDIA QuadroRTX 6000 GPU，Windows 10专业版，CUDA 11.1和Pytorch 1.10.1。4实验和分析4.1 柱塞泵音频信号特征提取实验为了验证所采用的Gammatone声谱图作为信号特征的有效性，分别采用线性声谱图和梅尔倒谱图、Gammatone声谱图作为音频信号特征，按照第2.2小节中所述的方法构建 3 个小样本数据集，再按照MTL方法训练出3个小样本故障分类模型，进行准确率对比，同时给出了3个模型验证集中最低一类的准确率accmin，用于实测阶段的分类一致性判断。实验结果如表4所示。表 4 柱塞泵音频信号特征分类对比/(%)柱塞泵音频信号特征线性声谱图梅尔倒谱图Gammatone声谱图accmin67.6668.8769.11验证集（最高）89.6790.4591.41测试集78.370.8183.840.9190.290.78由于柱塞泵运行中产生较大噪声，导致采集到的柱塞泵音频信号所表现出的故障特征微弱，而Gammatone声谱图具有较强的抗噪性能，使验证集和测试集故障分类的准确率都达到了最高。4.2 MTL-PAFD模型收敛性能第4.1小节中已使用测试样本微调过分类模型，为了验证改进的柱塞泵故障诊断模型测试方法（测试结果在第4.3小节中给出），需要让测试样本重新成为未知故障类。因此重新训练了柱塞泵音频故障诊断模型，并在验证集中测试模型收敛性能，得到训练集Dtrain和验证集Dval上的准确率和Loss曲线如图6所示。模型训练共经历了10 000次迭代，其中，每100次迭代使用验证集进行一次验证。图6（b）展示了模型经过3 000次迭代后逐渐趋于收敛，模型在Dtrain和Dval上的Loss值都在近似位置趋于收敛，可以判断模型没有发生过拟合或欠拟合。而在常规的监督学习中，模型趋于收敛后如果不停止迭代，很有可(a)准确率(b)Loss图 6 柱塞泵音频故障诊断模型性能146第5期能发生过拟合现象。但由于结合了MTL训练方法，能有效避免模型在训练数据上产生过拟合。这也可以从图6（a）和图6（b）中得到相互验证：当训练集在1 000次迭代附近时故障诊断准确率已经基本稳定在100%，但是验证集的准确率仍然在缓慢上升，并且验证集最高准确率为91.41%，出现在第6 100次迭代，以上现象都可以说明模型仍然在适应训练集以外的任务，没有产生过拟合。4.3 柱塞泵音频故障诊断实测实验为了测试改进的柱塞泵故障诊断模型，模拟故障诊断实际测试情况，删掉测试集的5类样本标签，将其作为未知样本进行测试。按照MTL-PAFD方法，将第4.2小节中训练得到的模型作为模型a，再将未知样本逐一输入到复制出的模型b中。经过模型b的初步分类后，得到5类数据测试结果如表5所示。表 5 分类一致性判断结果测试类被识别为最多的类pmax/(%)是否为新类9150是10260是11020是12855是13765是accmin是在将测试数据输入模型前，由验证集结果计算得出，而训练集和验证集数据是不变的，因此第4.2小节训练模型的accmin与第4.1小节中相同，为69.11%，根据式（5）设置accth为65%。经过初步分类，5类测试样本均被判断为新故障类，测试样本被组合为新的任务重新输入MTL分类模型进行快速学习，微调神经网络的结构和参数后，得到测试结果如图7所示。图 7 故障诊断测试准确率混淆矩阵图7展示了经过微调后的MTL-PAFD模型最终故障识别结果，其中故障0至8的测试样本来自训练阶段已知类的验证集，故障9至13来自训练阶段未知类的测试集。可以看出，根据所提出的 MTL-PAFD方法，即使测试样本属于训练阶段未见过的类，柱塞泵音频故障诊断模型也能够自适应调整网络结构和参数，经过微调后的网络能够识别出新的故障类别，并且仍能达到89.64%的平均故障诊断准确率。5结 语本文提出了一种基于音频信号结合元迁移学习的柱塞泵故障诊断方法（MTL-PAFD），得到如下结论：（1）提出了使用音频信号开展柱塞泵故障诊断的方法，有效利用了音频信号能够实现非接触式测量且需要更少的传感器的优势。该方法通过Gammatone滤波器组的特征提取，有效提高了强噪声干扰下柱塞泵音频信号的表征能力，克服了柱塞泵音频信号故障特征微弱的困难。（2）将元迁移学习与音频故障诊断相结合。通过Gammatone声谱图将柱塞泵音频故障诊断问题转化为了图像分类问题，结合元迁移学习在小样本分类中的性能优势，解决了柱塞泵音频故障诊断缺少信号样本的问题。在仅对已知故障进行识别的情况下，基于元迁移学习的柱塞泵故障诊断模型准确率达到了91.41%。（3）改进了元迁移学习的测试方法，使之能够自适应处理未知故障类，从而能适用于柱塞泵故障诊断。实验结果表明，在测试无标签的未知故障类时，该方法能够利用训练好的故障诊断模型，进行快速自适应学习并调整模型的结构和参数，从而能够识别新的故障类，同时能达到89.64%的准确率。参考文献：1 别锋锋，都腾飞，庞明军，等.基于ICEEMDAN-GRNN神经网络的往复泵故障诊断方法研究J.机械设计与制造，2021，361(3)：127-131.2 GAO Q,XIANG J,HOU S,et al.Method using L-kurtosisand enhanced clustering-based segmentation to detectfaults in axial piston pumpsJ.Mechanical Systems andSignal Processing,2021,147:107130.3 柯耀，王琪，苗育茁，等.基于PARAFAC分析和SVM离心泵故障诊断方法J.噪声与振动控制，2022，42(1)：106-111.4LIN L,LI Y,MA L,et al.Research on transformer audiofault identification method based on neural networkC/Proceedingsof2019InternationalConferenceonIntelligent Transportation,Big Data and Smart City,Conference Publishing Services,NY:IEEE,2019:629-632.(下转第273页)基于小样本音频信号的柱塞泵故障诊断147第5期CHR被周期布置在扩张腔上时新型消声器声学性能的计算方法，计算结果表明：（1）在扩张腔的轴向和径向周期布置CHR能有效提升简单扩张式消声器低频段的声学性能；（2）根据提出的等效模型能较准确计算旁支含CHR管道系统及扩张腔上含CHR的新型消声器的声学性能；（3）增加轴向CHR个数可提高消声器在TL峰值频率附近的消声性能；增加径向CHR个数可拓宽消声器在TL峰值频率附近的有效消声频带；（4）新型消声器在低频段的衰减频带还可通过改变CHR的颈部延伸长度来调节。参考文献：1 袁苏伟，朱海潮，侯九霄.弹性背腔穿孔管水消声器有限元分析J.舰船科学技术，2021，43(3)：76-79.2 侯九霄，朱海潮，毛荣富，等.弹性壁扩张腔式消声器传递损失特性研究J.船舶力学，2021，25(4)：517-525.3 刘志恩，沈健，卢炽华，等.进气系统微穿孔管消声器设计与优化J.声学技术，2020，39(6)：715-720.4 张士伟.多腔汽车消声器消声性能仿真分析J.机械设计与制造，2021(3)：238-241.5 唐焱，赵立铭，孙银银，等.抗性消声器内部流场对传递损失的影响研究J.机械设计与制造，2022(2)：143-147.6 刘智建，张杰，姚新改，等.进气导流管对抗性消声器性能的影响研究J.机械设计与制造，2022(3)：1-8.7 陈理添，卿舒文，周帅龙，等.考虑声固耦合的充液管道消声器声学特性分析J.噪声与振动控制，2021，41(6)：219-223.8AKHILESH M.Design of reactive rectangular expansionchambers for broadband acoustic attenuation performancebased on optimal port locationJ.Acoustics Australia,2016,44:299-323.9WANG Z G,LEE S H,KIM C K,et al.Acoustic wavepropagation in one-dimensional sonic crystals containinghelmholtz resonatorsJ.Journal of Applied Physics,2008,103:064907.10 葛茂鑫，李吉.双颈部亥姆霍兹共振器的声学特性J.噪声与振动控制，2020，40(4)：231-234.11 SANG H S,YANG H K.Silencer design by using arrayresonators for low-frequency band noise reductionJ.Journal of the Acoustical Society of America,2005,118(4):156-172.12LANGFELDT F,HOPPEN H,GLEIN W.ResonancefrequenciesandsoundabsorptionofHelmholtzresonators with multiple necksJ.Applied Acoustics,2019,145:314-319.13 王正敏，饶伟，李德玉.封闭腔体噪声控制中亥姆霍兹共振器的优化设计方法J.声学学报，2019，44(5)：834-842.14 ZHONG X K,ZHEN L J.Acoustic length correction ofduct extension into a cylindrical chamberJ.Journal ofSound and Vibration,2008,310:782-791.15 CAI C Z,MAK C M,SHI X F.An extended neck versus aspiralneckoftheHelmholtzresonatorJ.AppliedAcoustics,2017,115:74-80.16CAI C Z,MAK C M,WANG X.Noise attenuationperformanceimprovementbyaddingHelmholtzresonators on the periodic ducted Helmholtz resonatorsystem J.AppliedAcoustics,2017,122:8-15.(上接第147页)5 杜京义，杨宁，荣相.基于Gammatone倒谱系数的异步电机故障诊断方法研究J/OL.机床与液压，2022，16：181-186.6WU J,ZHAO Z,SUN C,et al.Few-shot transfer learningfor intelligent fault diagnosis of machineJ.Measurement,2020,166:108202.7LI C,LI S,ZHANG A,et al.Meta-learning for few-shotbearing fault diagnosis under complex working conditionsJ.Neurocomputing,2021,439:197-211.8 李凡长，刘洋，吴鹏翔，等.元学习研究综述J.计算机学报，2021，44(2)：422-446.9SUN Q,LIU Y,CHUA T,et al.Meta-transfer learning forfew-shotlearningC/ProceedingsoftheIEEEConference on Computer Vision and Pattern Recognition,CA:IEEE COMPUTER SOC 2019:403-412.10 SUN Q,LIU Y,CHEN Z,et al.Meta-transfer learningthrough hard tasksJ.IEEE Transactions on PatternAnalysis and Machine Intelligence,2020,44(3):1443-1456.11 LI C,ZHANG S,QIN Y,et al.A systematic review ofdeep transfer learning for machinery fault diagnosisJ.Neurocomputing,2020,407:121-135.基于周期C型共振器的扩张式消声器的声学性能273