CN111506598B - 基于小样本自学习故障迁移的故障判别方法、系统、装置 - Google Patents

基于小样本自学习故障迁移的故障判别方法、系统、装置 Download PDF

Info

Publication number
CN111506598B
CN111506598B CN202010286527.0A CN202010286527A CN111506598B CN 111506598 B CN111506598 B CN 111506598B CN 202010286527 A CN202010286527 A CN 202010286527A CN 111506598 B CN111506598 B CN 111506598B
Authority
CN
China
Prior art keywords
fault
equipment
target
data
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010286527.0A
Other languages
English (en)
Other versions
CN111506598A (zh
Inventor
谭杰
王焕杰
白熹微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202010286527.0A priority Critical patent/CN111506598B/zh
Publication of CN111506598A publication Critical patent/CN111506598A/zh
Application granted granted Critical
Publication of CN111506598B publication Critical patent/CN111506598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/217—Database tuning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于工业设备故障判别领域，具体涉及了一种基于小样本自学习故障迁移的故障判别方法、系统、装置，旨在解决现有技术模型需要大量标签数据训练且无法依据设备不断运行累积的新的故障数据进行在线评估与更新的问题。本发明包括：以不包含目标设备信息的设备运行数据库为支撑，使用目标设备少量带标签的样本数据进行目标设备运行状态诊断；通过特征提取结合迁移学习实现设备运行数据库向模型的知识迁移；模型训练中引入故障诊断知识，对新的和低置信度的故障类型进行核实，更新设备运行数据库和目标数据集，实现故障诊断知识向模型的知识迁移。本发明在目标设备故障数据不足时，不断更新设备运行数据库和故障判别模型，提升模型故障诊断能力。

Description

基于小样本自学习故障迁移的故障判别方法、系统、装置
技术领域
本发明属于工业设备故障判别领域，具体涉及了一种基于小样本自学习故障迁移的故障判别方法、系统、装置。
背景技术
工业生产环境复杂，一种设备通常有数种不同的工作状态，不同的设备也具有相似的故障类型。传统的故障判别方法需要专家深入了解设备运行机理，针对不同的生产环境设计机理模型，设计要求高、难度大。复杂工业环境中安装的传感器等设备采集、存储了大量的生产数据，这些工业数据体量大、包含设备的健康状态信息，能够帮助改进产品功能，预先诊断产品故障。
深度学习方法可以充分利用数据信息，表现出很好的学习能力。但传统的深度学习方法需要大量的标签数据，训练的模型通常只适用于特定的问题，可迁移性不足，而收集所有设备运行在不同工作条件下的标签数据则需要很高的成本。在实际的工业应用中，获取的标签故障数据量少，传统的深度学习方法难以学习到故障的有效特征，影响故障判别的准确性。现有的深度迁移方法，所选的训练数据和诊断方法固定，分类准确性依赖神经网络和训练损失的设计，无法有效利用故障诊断知识。
总的来说，现有的工业设备故障判别模型依赖大量的标签数据，并且通常只适用于特定的问题。本领域急需一种方法，可以基于小样本数据针对工业设备的不同故障问题进行故障判别模型训练，并且在工业设备不断运行过程中，可以通过累积的新的故障数据实现故障判别模型的在线评估与更新。
发明内容
为了解决现有技术中的上述问题，即现有技术模型训练需要大量标签数据且无法依据设备不断运行累积的新的故障数据进行模型在线评估与更新的问题，本发明提供了一种基于小样本自学习故障迁移的故障判别方法，该故障判别方法包括：
步骤S10，获取目标设备监测数据作为待判别数据；
步骤S20，通过故障判别模型提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；所述运行状态包括正常运行、各故障类型；
步骤S30，所述置信度中最大值对应的运行状态为目标设备运行状态；
其中，所述故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：
步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值；
步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移；
步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型。
在一些优选的实施例中，步骤S20中“计算所述约束特征属于设备运行数据库中各运行状态的置信度”，其方法为：
Figure BDA0002448717660000031
其中，P(y＝j|x)表示输入数据对应设备运行状态j的置信度；K代表设备运行状态的数目，设备运行状态包括一个正常运行以及K-1个故障类型；z代表约束特征，μj代表K个设备运行状态中第j个状态的中心，μm代表K个设备运行状态中第m个状态的中心，e代表自然常数。
在一些优选的实施例中，所述第一约束条件为最小化提取的约束特征到同一设备运行状态样本特征均值的距离：
Figure BDA0002448717660000032
其中，|Cj|表示类型Cj的样本个数，L表示训练样本的个数，
Figure BDA0002448717660000033
表示同一类型Cj样本特征的均值，
Figure BDA0002448717660000034
代表求平方欧式距离，zi代表提取的样本特征。
在一些优选的实施例中，所述第二约束条件为最大化距离最近的不同设备运行状态样本特征均值的距离：
Figure BDA0002448717660000035
其中，μi和μj分别代表在K个设备运行状态中中距离最近的第i类和第j类设备运行状态数据特征的均值，
Figure BDA0002448717660000036
代表求平方欧式距离，min代表求K个设备运行状态特征均值中心任意两个中心之间最近的距离。
在一些优选的实施例中，步骤B30中“若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型”，其方法为：
步骤P10，通过故障判别模型提取获取的目标设备监测数据的约束特征以及所述目标设备监测数据属于各设备运行状态的置信度，通过第一约束条件与第二约束条件进行故障知识迁移实现故障判别模型更新，并计算所述约束特征与各设备运行状态中心的距离的最小值；
步骤P20，若所述最小值大于设定的距离阈值，则所述目标设备监测数据为新的故障类型，并跳转步骤P30；否则，跳转步骤P40；
步骤P30，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；
步骤P40，若所述目标设备监测数据属于各设备运行状态的置信度中最高置信度大于设定的置信度阈值，则利用所述模型输出结果更新目标数据集、设备运行数据库；否则，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；
步骤P50，判断更新后的目标数据集中样本数量是否大于设定样本数量阈值，若是，则将更新后的故障判别模型存入模型知识库；否则，跳转步骤P10。
在一些优选的实施例中，步骤P10中“计算所述约束特征与各设备运行状态中心的距离的最小值”，其方法为：
Figure BDA0002448717660000041
其中，z代表提取的设备监测数据的约束特征，μj代表K个设备运行状态中第j个的中心，
Figure BDA0002448717660000042
代表求平方欧式距离，min代表求K个设备运行状态中与约束特征之间的最小距离。
在一些优选的实施例中，所述目标数据集用于存储少量的目标设备故障样本和正常运行数据；所述设备运行数据库用于存储不同设备运行在不同状态下的带标签故障数据和正常运行数据。
本发明的另一方面，提出了一种基于小样本自学习故障迁移的故障判别系统，该故障判别系统包括数据获取模块、数据库模块、置信度计算模块、故障判别模块、输出模块；
所述数据获取模块，配置为获取目标设备监测数据作为待判别数据并输入至故障判别模块；
所述数据库模块包括目标数据集、设备运行数据库；所述目标数据集存储少量的目标设备故障样本和正常运行数据；所述设备运行数据库存储不同设备运行在不同状态下的带标签故障数据和正常运行数据；
所述置信度计算模块，配置为提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；
所述故障判别模块，配置为提取所述置信度中最大值对应的运行状态作为目标设备运行状态；
所述输出模块，配置为输出获取的目标设备监测数据对应的设备运行状态。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于小样本自学习故障迁移的故障判别方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于小样本自学习故障迁移的故障判别方法。
本发明的有益效果：
本发明基于小样本自学习故障迁移的故障判别方法，利用深度学习方法直接提取故障特征，摆脱人工提取特征对经验的依赖性，减少特征提取过程中的信息损失；通过使用结合度量学习的深度迁移方法，实现在获取少量目标故障数据的情况下，提高故障诊断的准确性；能够实现对目标故障的智能自学习，不断实现对设备运行数据库和故障判别模型的自动优化更新，使故障诊断能力在使用过程中得到不断提升。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于小样本自学习故障迁移的故障判别方法的模型训练、应用与在线更新流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于小样本自学习故障迁移的故障判别方法，该故障判别方法包括：
步骤S10，获取目标设备监测数据作为待判别数据；
步骤S20，通过故障判别模型提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；所述运行状态包括正常运行、各故障类型；
步骤S30，所述置信度中最大值对应的运行状态为目标设备运行状态；
其中，所述故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：
步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值；
步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移；
步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型。
为了更清晰地对本发明基于小样本自学习故障迁移的故障判别方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于小样本自学习故障迁移的故障判别方法，包括步骤S10-步骤S30，各步骤详细描述如下：
步骤S10，获取目标设备监测数据作为待判别数据。
步骤S20，通过故障判别模型提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；所述运行状态包括正常运行、各故障类型。
“计算所述约束特征属于设备运行数据库中各运行状态的置信度”，其方法如式(1)所示：
Figure BDA0002448717660000071
其中，P(y＝j|x)表示输入数据对应设备运行状态j的置信度；K代表设备运行状态的数目，设备运行状态包括一个正常运行以及K-1个故障类型；z代表约束特征，μj代表K个设备运行状态中第j个状态的中心，μm代表K个设备运行状态中第m个状态的中心，e代表自然常数。
步骤S30，所述置信度中最大值对应的运行状态为目标设备运行状态。
故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：
步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值。
将获取的少量目标设备故障标签数据存入目标数据集和设备运行数据库，目标数据集、设备运行数据库分别如式(2)、式(3)所示：
Figure BDA0002448717660000081
其中，
Figure BDA0002448717660000082
表示目标数据集中第i个样本数据，
Figure BDA0002448717660000083
表示第i个样本对应的标签，M为目标数据集中样本数据的数量。目标数据集用于存储少量的目标设备故障样本和正常运行数据。
Figure BDA0002448717660000084
其中，
Figure BDA0002448717660000085
表示设备运行数据库中第i个样本数据，
Figure BDA0002448717660000086
表示第i个样本对应的标签，N为设备运行数据库中样本数据的数量。设备运行数据库用于存储不同设备运行在不同状态下的带标签故障数据和正常运行数据。
步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移。
目标数据集和设备运行数据库中相似类型的故障数据分布不同。
故障判别模型如式(4)所示：
f(x,θ)＝g(h(x,θ1),θ2) 式(4)
其中，
Figure BDA0002448717660000091
为特征提取函数，将输入数据映射到特征空间；
Figure BDA0002448717660000092
为故障类型判断函数，判定故障类型；θ＝θ1+θ2为模型训练参数，θ1、θ2分别为特征提取函数和故障类型判断函数的训练参数。
通过第一约束条件和第二约束条件进行故障知识迁移，其约束特征具有两个性质：(1)相同类型故障样本特征距离足够的近；(2)不同类型故障样本特征距离足够的远。这两个性质可以为新故障数据留下足够的特征空间。
第一约束条件为最小化提取的约束特征到同一设备运行状态样本特征均值的距离，如式(5)所示：
Figure BDA0002448717660000093
其中，|Cj|表示类型Cj的样本个数，L表示训练样本的个数，
Figure BDA0002448717660000094
表示同一类型Cj样本特征的均值，
Figure BDA0002448717660000095
代表求平方欧式距离，zi代表提取的样本特征。
第二约束条件为最大化距离最近的不同设备运行状态样本特征均值的距离，如式(6)所示：
Figure BDA0002448717660000096
其中，μi和μj分别代表在K个设备运行状态中中距离最近的第i类和第j类设备运行状态数据特征的均值，
Figure BDA0002448717660000097
代表求平方欧式距离，min代表求K个设备运行状态特征均值中心任意两个中心之间最近的距离。
步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型。
“在判别设备监测数据的过程中同步更新所述故障判别模型”，其方法为：
步骤P10，通过故障判别模型提取获取的目标设备监测数据的约束特征以及所述目标设备监测数据属于各设备运行状态的置信度，通过第一约束条件与第二约束条件进行故障知识迁移实现故障判别模型更新，并计算所述约束特征与各设备运行状态中心的距离的最小值，如式(7)所示：
Figure BDA0002448717660000101
其中，z代表提取的设备监测数据的约束特征，μj代表K个设备运行状态中第j个的中心，
Figure BDA0002448717660000102
代表求平方欧式距离，min代表求K个设备运行状态中与约束特征之间的最小距离。
步骤P20，若所述最小值大于设定的距离阈值，则所述目标设备监测数据为新的故障类型，并跳转步骤P30；否则，跳转步骤P40。
步骤P30，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库，跳转步骤P10。
如果模型判断数据为一种新的故障类型，则使用故障诊断知识对模型输出结果进行评估，利用评估结果更新目标数据集和设备运行数据库。
步骤P40，若所述目标设备监测数据属于各设备运行状态的置信度中最高置信度大于设定的置信度阈值，则利用所述模型输出结果更新目标数据集、设备运行数据库；否则，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库。
若Score不超过设定的距离阈值，则数据不是新的故障类型，模型输出目标设备监测数据属于每一个已知故障类型或正常状态的置信度，如果置信度中最大的置信度低于设定的置信度阈值，说明模型在判别这类数据时还存在一些异常，通过故障诊断知识来辅助判断数据的故障类型。
故障诊断知识包括熟悉故障表现的技术人员、专业书籍或者对某一故障类型建立的机理模型，能够对故障类型进行辅助判断。
步骤P50，判断更新后的目标数据集中样本数量是否大于设定样本数量阈值，若是，则将更新后的故障判别模型存入模型知识库；否则，跳转步骤P10。
如此训练出的故障判别模型，在应用过程中不再进行输入数据是否为新的故障类型的判断，直接通过模型给出输入数据对应的运行状态。
本发明第二实施例的基于小样本自学习故障迁移的故障判别系统，该故障判别系统包括数据获取模块、数据库模块、置信度计算模块、故障判别模块、输出模块；
所述数据获取模块，配置为获取目标设备监测数据作为待判别数据并输入至故障判别模块；
所述数据库模块包括目标数据集、设备运行数据库；所述目标数据集存储少量的目标设备故障样本和正常运行数据；所述设备运行数据库存储不同设备运行在不同状态下的带标签故障数据和正常运行数据；
所述置信度计算模块，配置为提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；
所述故障判别模块，配置为提取所述置信度中最大值对应的运行状态作为目标设备运行状态；
所述输出模块，配置为输出获取的目标设备监测数据对应的设备运行状态。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于小样本自学习故障迁移的故障判别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于小样本自学习故障迁移的故障判别方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于小样本自学习故障迁移的故障判别方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种基于小样本自学习故障迁移的故障判别方法，其特征在于，该故障判别方法包括：
步骤S10，获取目标设备监测数据作为待判别数据；
步骤S20，通过故障判别模型提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；所述运行状态包括正常运行、各故障类型；
步骤S30，所述置信度中最大值对应的运行状态为目标设备运行状态；
其中，所述故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：
步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值；
步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移；
步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型；
其中，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，包括：
步骤P10，通过故障判别模型提取获取的目标设备监测数据的约束特征以及所述目标设备监测数据属于各设备运行状态的置信度，通过第一约束条件与第二约束条件进行故障知识迁移实现故障判别模型更新，并计算所述约束特征与各设备运行状态中心的距离的最小值：
Figure FDA0003242369610000021
z代表提取的设备监测数据的约束特征，μj代表K个设备运行状态中第j个的中心，
Figure FDA0003242369610000022
代表求平方欧式距离，min代表求K个设备运行状态中与约束特征之间的最小距离；
步骤P20，若所述最小值大于设定的距离阈值，则所述目标设备监测数据为新的故障类型，并跳转步骤P30；否则，跳转步骤P40；
步骤P30，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；
步骤P40，若所述目标设备监测数据属于各设备运行状态的置信度中最高置信度大于设定的置信度阈值，则利用所述模型输出结果更新目标数据集、设备运行数据库；否则，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；
步骤P50，判断更新后的目标数据集中样本数量是否大于设定样本数量阈值，若是，则将更新后的故障判别模型存入模型知识库；否则，跳转步骤P10；
所述第一约束条件为最小化提取的约束特征到同一设备运行状态样本特征均值的距离：
Figure FDA0003242369610000023
|Cj|表示类型Cj的样本个数，L表示训练样本的个数，
Figure FDA0003242369610000024
表示同一类型Cj样本特征的均值，
Figure FDA0003242369610000025
代表求平方欧式距离，zi代表提取的样本特征；
所述第二约束条件为最大化距离最近的不同设备运行状态样本特征均值的距离：
Figure FDA0003242369610000031
μi和μj分别代表在K个设备运行状态中距离最近的第i类和第j类设备运行状态数据特征的均值，
Figure FDA0003242369610000032
代表求平方欧式距离，min代表求K个设备运行状态特征均值中心任意两个中心之间最近的距离。
2.根据权利要求1所述的基于小样本自学习故障迁移的故障判别方法，其特征在于，步骤S20中“计算所述约束特征属于设备运行数据库中各运行状态的置信度”，其方法为：
Figure FDA0003242369610000033
其中，P(y＝j|x)表示输入数据对应设备运行状态j的置信度；K代表设备运行状态的数目，设备运行状态包括一个正常运行以及K-1个故障类型；z代表约束特征，μj代表K个设备运行状态中第j个状态的中心，μm代表K个设备运行状态中第m个状态的中心，e代表自然常数。
3.根据权利要求1所述的基于小样本自学习故障迁移的故障判别方法，其特征在于，所述目标数据集用于存储少量的目标设备故障样本和正常运行数据；所述设备运行数据库用于存储不同设备运行在不同状态下的带标签故障数据和正常运行数据。
4.一种基于小样本自学习故障迁移的故障判别系统，其特征在于，该故障判别系统包括数据获取模块、数据库模块、置信度计算模块、故障判别模块、输出模块；
所述数据获取模块，配置为获取目标设备监测数据作为待判别数据并输入至故障判别模块；
所述数据库模块包括目标数据集、设备运行数据库；所述目标数据集存储少量的目标设备故障样本和正常运行数据；所述设备运行数据库存储不同设备运行在不同状态下的带标签故障数据和正常运行数据；
所述置信度计算模块，配置为提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；
所述故障判别模块，配置为提取所述置信度中最大值对应的运行状态作为目标设备运行状态；
所述输出模块，配置为输出获取的目标设备监测数据对应的设备运行状态；
其中，所述待判别数据的约束特征通过故障判别模型提取，所述故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：
步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值；
步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移；
步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型；
其中，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，包括：
步骤P10，通过故障判别模型提取获取的目标设备监测数据的约束特征以及所述目标设备监测数据属于各设备运行状态的置信度，通过第一约束条件与第二约束条件进行故障知识迁移实现故障判别模型更新，并计算所述约束特征与各设备运行状态中心的距离的最小值：
Figure FDA0003242369610000051
z代表提取的设备监测数据的约束特征，μj代表K个设备运行状态中第j个的中心，
Figure FDA0003242369610000052
代表求平方欧式距离，min代表求K个设备运行状态中与约束特征之间的最小距离；
步骤P20，若所述最小值大于设定的距离阈值，则所述目标设备监测数据为新的故障类型，并跳转步骤P30；否则，跳转步骤P40；
步骤P30，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；
步骤P40，若所述目标设备监测数据属于各设备运行状态的置信度中最高置信度大于设定的置信度阈值，则利用所述模型输出结果更新目标数据集、设备运行数据库；否则，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；
步骤P50，判断更新后的目标数据集中样本数量是否大于设定样本数量阈值，若是，则将更新后的故障判别模型存入模型知识库；否则，跳转步骤P10；
所述第一约束条件为最小化提取的约束特征到同一设备运行状态样本特征均值的距离：
Figure FDA0003242369610000053
|Cj|表示类型Cj的样本个数，L表示训练样本的个数，
Figure FDA0003242369610000054
表示同一类型Cj样本特征的均值，
Figure FDA0003242369610000055
代表求平方欧式距离，zi代表提取的样本特征；
所述第二约束条件为最大化距离最近的不同设备运行状态样本特征均值的距离：
Figure FDA0003242369610000061
μi和μj分别代表在K个设备运行状态中距离最近的第i类和第j类设备运行状态数据特征的均值，
Figure FDA0003242369610000062
代表求平方欧式距离，min代表求K个设备运行状态特征均值中心任意两个中心之间最近的距离。
5.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-3任一项所述的基于小样本自学习故障迁移的故障判别方法。
6.一种处理装置，包括处理器，适于执行各条程序；以及存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-3任一项所述的基于小样本自学习故障迁移的故障判别方法。
CN202010286527.0A 2020-04-13 2020-04-13 基于小样本自学习故障迁移的故障判别方法、系统、装置 Active CN111506598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010286527.0A CN111506598B (zh) 2020-04-13 2020-04-13 基于小样本自学习故障迁移的故障判别方法、系统、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010286527.0A CN111506598B (zh) 2020-04-13 2020-04-13 基于小样本自学习故障迁移的故障判别方法、系统、装置

Publications (2)

Publication Number Publication Date
CN111506598A CN111506598A (zh) 2020-08-07
CN111506598B true CN111506598B (zh) 2021-10-15

Family

ID=71864005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010286527.0A Active CN111506598B (zh) 2020-04-13 2020-04-13 基于小样本自学习故障迁移的故障判别方法、系统、装置

Country Status (1)

Country Link
CN (1) CN111506598B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570070B (zh) * 2021-09-23 2022-01-07 深圳市信润富联数字科技有限公司 流式数据采样与模型更新方法、装置、系统与存储介质
CN113820624B (zh) * 2021-09-30 2024-04-16 南方电网科学研究院有限责任公司 一种配电网高阻接地故障识别装置
CN114062812B (zh) * 2021-11-15 2024-05-07 国网四川省电力公司营销服务中心 一种计量柜故障诊断方法及系统
CN116414587A (zh) * 2021-12-29 2023-07-11 中兴通讯股份有限公司 故障数据获取方法、故障处理方法、电子设备及存储介质
CN114337792A (zh) * 2022-01-17 2022-04-12 中国人民解放军61096部队 卫星通信信号故障诊断方法及装置
CN116703284B (zh) * 2023-08-03 2023-10-17 八爪鱼人工智能科技(常熟)有限公司 应用于冷库管理系统的故障识别方法及人工智能服务器

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103822793A (zh) * 2014-01-20 2014-05-28 北京邮电大学 一种复杂设备声学故障识别定位方法
CN110059357A (zh) * 2019-03-19 2019-07-26 中国电力科学研究院有限公司 一种基于自编码网络的智能电能表故障分类检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9330127B2 (en) * 2007-01-04 2016-05-03 Health Care Productivity, Inc. Methods and systems for automatic selection of classification and regression trees

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103822793A (zh) * 2014-01-20 2014-05-28 北京邮电大学 一种复杂设备声学故障识别定位方法
CN110059357A (zh) * 2019-03-19 2019-07-26 中国电力科学研究院有限公司 一种基于自编码网络的智能电能表故障分类检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
粒子群优化的KFCM 及SVM 诊断模型在断路器故障诊断中的应用;梅飞等;《中国电机工程学报》;20131215;全文 *

Also Published As

Publication number Publication date
CN111506598A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111506598B (zh) 基于小样本自学习故障迁移的故障判别方法、系统、装置
CN110135562B (zh) 基于特征空间变化的蒸馏学习方法、系统、装置
EP1958034B1 (en) Use of sequential clustering for instance selection in machine condition monitoring
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN107679756B (zh) 土壤适宜性评价方法及装置
CN114935527A (zh) 一种基于油井天然气开采的传感器智能清洁方法及系统
CN115934490A (zh) 服务器性能预测模型训练方法、装置、设备及存储介质
CN114038501A (zh) 一种基于机器学习的背景菌判定方法
CN111290953B (zh) 分析测试日志的方法与装置
CN116310913B (zh) 基于小型无人机测量技术的自然资源调查监测方法及装置
CN116720600A (zh) 落货量预测方法、装置、设备及存储介质
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN115936485A (zh) 一种基于故障树的生产线稳定性动态分析方法和系统
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置
CN115082713A (zh) 引入空间对比信息的目标检测框提取方法、系统及设备
CN115422821A (zh) 用于岩体参数预测的数据处理方法和装置
CN112152968B (zh) 网络威胁检测方法和装置
CN114004138A (zh) 基于大数据人工智能的建筑监测方法、系统及存储介质
CN113657726A (zh) 基于随机森林的人员的危险性分析方法
CN113657501A (zh) 模型自适应训练方法、装置、设备、介质及程序产品
CN111353553A (zh) 清洗错误标注数据的方法、装置、计算机设备及存储介质
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN112348700A (zh) 一种结合som聚类与ifou方程的线路容量预测方法
CN111382147A (zh) 一种气象数据缺失插补方法和系统
CN117094477B (zh) 一种稀土矿开采过程中环境评价方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant