CN114740726B - 基于深度最优特征传输的工业过程小样本故障诊断方法 - Google Patents
基于深度最优特征传输的工业过程小样本故障诊断方法 Download PDFInfo
- Publication number
- CN114740726B CN114740726B CN202210437384.8A CN202210437384A CN114740726B CN 114740726 B CN114740726 B CN 114740726B CN 202210437384 A CN202210437384 A CN 202210437384A CN 114740726 B CN114740726 B CN 114740726B
- Authority
- CN
- China
- Prior art keywords
- fault
- domain
- adaptation
- matrix
- target domain
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公布了一种基于深度最优特征传输的工业过程小样本故障诊断方法,构建基于域适配的缩小源域和目标域深度适配网络,对工业小样本故障数据进行分析并快速建立基于深度最优特征传输的工业小样本故障诊断量化模型;根据历史故障适配任务构造故障适配任务集合;将故障适配任务集合在嵌入空间进行表征;对嵌入空间学习到的范式进行模型辨识与参数估计,更新模型传输深度最优特征,从而获得未知故障任务下的故障分类结果。本发明可对不同工况下的稀疏异构工业信号精准地预测故障类型,算法复杂度低,计算周期短,可移植性高。
Description
技术领域
本发明属于工业过程故障诊断处理技术领域,涉及小样本机器学习技术,具体涉及一种基于深度最优特征传输的工业过程小样本故障诊断方法。
背景技术
工业是国民经济的命脉,随着传感器技术蓬勃发展,当今工业领域已经逐渐形成了工业过程数据信息和传感技术相适应的环境。因此,基于数据驱动的无模型智能诊断方法得到了空前的蓬勃发展。这些技术的成功依赖于有足够多的标记数据,然而,在实际应用中,工业过程标注数据的收集是很困难的。主要体现在工业数据分布的异构性与稀疏性,如工业设备差异、工业噪音干扰等多变的工况条件下数据的同构性无法保证,以及工业系统故障本身为一个小概率事件,模拟故障状态对机器是有害的,所以故障样本天然为稀疏样本。工业数据的异构型与稀疏性造成了工业数据驱动方法面临的小样本问题,小样本问题极大地降低了模型的泛化性。
目前针对工业过程故障小样本问题的一个解决策略是寻找合适的辅助数据,通过挖掘辅助数据中的潜在相关知识来完成目标领域的小样本故障诊断问题,这已成为一种合理且有前景的解决途径。域适配(Domain adaptation)方法便为其中一种方法,以辅助数据为源域,待解决的小样本数据为目标域,目的是学习到一个统一的与类别无关特征空间,以缩小源域和目标域之间的分布差异。域适配方法可以根据适配度量与适配位置分类,适配度量上,大多经典的非深度域适配采用最大平均差异(MMD)度量,如TCA,JDA和BDA,来拉近在再生核希尔伯特空间(RKHS)中两个分布之间的差异。生成性对抗网络(WGAN)和分布式鲁棒优化(DRO)采用Wasserstein度量,来进行数据对齐。适配位置上,除了非深度方法的数据及特征空间外,在深度方法上,适配逐渐嵌入到网络中。例如,深度域混淆(DDC)和深度自适应网络(DAN)在网络损失中加入适配函数并执行微调操作来获取域不变表示。最近,有几项域适配方法的研究进行了多个任务间的相似性学习,如孪生网络,原型网络提高网络泛化性与鲁棒性,给了小样本下故障诊断可期的未来。但由于工业故障信号无法提供大量可靠的可适配源域,同时目前域适配方法缺乏增量学习机制,相似性学习浅层,对于工业小样本故障诊断尚没有形成快速精准的诊断方法,因此亟待将智能化技术与工业故障数据分析有效结合一起,针对小样本问题,形成完备故障诊断方法。
发明内容
针对上述现有技术的不足,本发明提供一种基于深度最优特征传输的工业过程小样本故障诊断方法,对工业小样本下故障数据进行分析并快速建立量化模型,从增强样本角度构建基于域适配的缩小源域和目标域深度适配网络,从增量学习角度设计一种基于深度最优特征传输的工业小样本故障诊断方法,可对不同工况下的稀疏异构工业信号精准地预测故障类型,算法复杂度低,计算周期短以及可移植性高。
本发明的技术方案是:
一种基于深度最优特征传输的工业过程小样本故障诊断方法,通过构建小样本故障诊断网络模型:包括适配网络模型和非适配网络模型,根据历史故障适配任务构造故障适配任务集合;将故障适配任务集合在嵌入空间进行表征;对嵌入空间学习到的范式进行模型辨识与参数估计,更新模型传输深度最优特征,从而获得未知故障任务下的故障分类结果;包括如下步骤:
步骤1:构建小样本故障诊断网络模型,包括适配网络模型和非适配网络模型;再将包含两个工况的一对域的已知故障类型的故障样本的源域和目标域输入到适配网络模型中完成一次适配任务,并获得相应的适配信息的矩阵表示;
步骤4:在表征空间中,学习到一个可解释性的范式FΓ,目标是FΓ能够将前三项作为自变量,作为因变量,以此来学习到一个最优拟合超平面,即构建得到该超平面的代数表达范式FΓ,下面对范式FΓ学习的具体步骤进行阐述。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于深度最优特征传输的工业过程小样本故障诊断方法,对工业小样本下故障数据进行分析并快速建立量化模型,从增强样本角度,构建一种基于域适配的缩小源域和目标域深度适配网络;从增量学习角度设计一种基于深度最优特征传输的工业小样本故障诊断方法,可对不同工况下的稀疏异构工业信号精准地预测故障类型,其算法复杂度低,计算周期短以及可移植性高。
附图说明
图1为本发明实施例基于深度最优特征传输的小样本故障诊断方法的流程框图。
图2为本发明实施例的在两个样本集下的不同类别特征间的MMD距离。
图3为本发明实施例的在两个样本集下特征间平均MMD距离T-sne可视化图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明,但不以任何方式限制本发明的范围。
如图1所示,本发明提供的基于深度最优特征传输的小样本故障诊断方法主要分为4个步骤:故障适配任务集合构造,任务集合在嵌入空间进行表征,对嵌入空间学习到的范式进行模型辨识与参数估计,更新模型传输深度最优特征,得到未知任务下的故障分类结果。
本发明构建小样本故障诊断网络模型:包括适配网络模型和非适配网络模型;适配网络模型可包括多层网络,分别用于通过源域的训练固定、通过目标域微调网络参数和设置适配损失函数;具体实施时,适配网络网络层为8层,核尺寸为3*3,前7层为卷积层,第8层为全连接层,采用loss函数为步骤1.3所示函数,非适配网络网络层为8层,核尺寸为3*3,前7层为卷积层,第8层为全连接层,采用loss函数为交叉熵函数。管道漏磁(MFL)数据集下,工况1参数条件为管道直径φ×壁厚P为1016×8.0,工况2参数条件为管道直径φ×壁厚P为377×5.6提离值为4cm;轴承(Bearing)数据集下,工况1参数条件为转速1730r/min,负载3HP,频率为12KHZ,工况2参数条件为转速1750r/min,负载2HP,频率为12KHZ。步骤4.3中结构风险函数Ω(Ψ)函数采用Frobenius函数。学习率为0.001,批量大小为16,最大训练迭代次数为80。初始化参数步骤4.3中的损失函数权衡因子设置为w=τ=0.1,核函数数量Nρ=35,适配任务数量源域样本数量ns=200,目标域样本数量nt=20。
以下实施例针对两个工业过程,海底输油管道漏磁数据(MFL)和轴承振动信号(Bearing)的工业过程小样本故障数据,构建小样本故障诊断网络模型:包括适配网络模型和非适配网络模型,实施本发明提供的基于深度最优特征传输的工业过程小样本故障诊断方法进行故障预测和诊断,得到前者为7分类,后者为4分类的故障分类。具体步骤如下:
步骤1:构建小样本故障诊断网络模型,包括适配网络模型和非适配网络模型;再将包含两个工况的一对域的已知故障类型的故障样本的源域和目标域输入到适配网络模型中完成一次适配任务,并获得相应的适配信息的矩阵表示;
已知故障类型应用场景的故障样本集,每次任务的故障样本包含两个工况的一对域,将其中工况1的数据记为源域工况2的数据记为目标域将源域和目标域输入到适配网络中完成一次适配任务,其中Xs,i与Xt,i为故障样本,ys,i与yt,i为故障类别标签,下角标s/t分别代表故障来自源域/目标域,ns和nt为源域和目标域包含的样本个数,下角标i为样本索引。
其中ρ是平衡因子,c是适配的网络层;J代表步骤1.1中的有监督偏差损失,HT代表步骤1.2中的适配损失。
步骤4:在表征空间中,学习到一个可解释性的范式FΓ,目标是FΓ能够将前三项作为自变量,作为因变量,以此来学习到一个最优拟合超平面,即构建得到该超平面的代数表达范式FΓ,下面对范式FΓ学习的具体步骤进行阐述。
其中φ代表再生核希尔伯特空间中的核映射。
步骤4.2.3:利用嵌入核表征,用qρ∈表示单一嵌入核,则整体的核表示为,
步骤4.3:通过在任务嵌入空间Γemb中寻找步骤4.1中最优的无监督判别和步骤4.2中的域对齐的最佳平衡,以此来构建范式FΓ,减少从头开始进行适配所需的时间,从而在未知的任务时获得具有可解释性和可学习性的深度最优适配特征,构建FΓ总的损失函数为:
其中Θ*[B*,Q*,μ*,τ*]代表范式FΓ中的参数;
步骤5.1:代入步骤4中的无监督判别与域对齐两方面,可以写出范式FΓ的总优化目标为,
其中|| ||F代表矩阵的Frobenius函数,tr()代表矩阵的迹。
步骤5.2:结合步骤4.2.5,范式FΓ的优化目标函数可以进一步记为,
步骤5.3:对FΓ的优化目标函数求对Vk的导数,可得
其中具体的式子表达为,
采用本发明算法与现有传统非适配方法,分别在MFL数据集和轴承数据集上进行仿真试验,仿真结果如表1和表2:
表1:本发明算法与传统非适配方法在MFL数据集上仿真结果对比
平均误差 | 类别1 | 类别2 | 类别3 | 类别4 | 类别5 | 类别6 | 类别7 |
本发明算法 | 88.4 | 88.9 | 84.3 | 83.2 | 82.0 | 86.7 | 80.4 |
传统非适配方法 | 45.1 | 42.5 | 37.1 | 30.1 | 29.9 | 39.3 | 27.1 |
表2:本发明算法与传统非适配方法在轴承数据集上仿真结果对比
平均误差 | 类别1 | 类别2 | 类别3 | 类别4 |
本发明算法 | 95.3 | 98.5 | 100.0 | 100.0 |
传统非适配方法 | 78.9 | 77.9 | 76.1 | 80.4 |
表1和表2反映了本发明算法在漏磁信号(MFL)与轴承样本集中分类平均误差。其中本专利算法结果精度高,鲁棒性强。图2所示为本发明实施例在两个样本集下的不同类别特征间的MMD距离;在图2中,本发明算法在漏磁(MFL)数据集和轴承数据集中,不同类别间源域和目标域适配结果,其中MMD距离在0.8之内;在图3中,T-sne可视化单峰与双峰都可拟合。
以上实验结果验证了本发明方法泛化能力和鲁棒性较好,能够针对工业过程小样本数据完成缺陷故障诊断,方法复杂度低,计算周期短以及可移植性高,预测故障类型精准。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (9)
1.一种基于深度最优特征传输的工业过程小样本故障诊断方法,构建基于域适配的缩小源域和目标域深度适配网络,对工业小样本故障数据进行分析并快速建立基于深度最优特征传输的工业小样本故障诊断量化模型;根据历史故障适配任务构造故障适配任务集合;将故障适配任务集合在嵌入空间进行表征;对嵌入空间学习到的范式进行模型辨识与参数估计,更新模型传输深度最优特征,从而获得未知故障任务下的故障分类结果;包括如下步骤:
步骤1:构建小样本故障诊断网络模型并进行训练,包括适配网络模型和非适配网络模型,得到训练好的网络模型和对应的精度;所述适配网络模型可包括多层网络,分别用于通过源域的训练固定网络参数、通过目标域微调网络参数和设置适配损失函数进行训练;
再将已知故障类型的包含两个工况域对的故障样本的源域和目标域输入到适配网络模型中,获得相应的适配信息的矩阵表示,记为一次适配任务T;
一次适配任务包括如下过程:
步骤1.1:已知故障类型应用场景的故障样本集,每次任务的故障样本包含两个工况的一对域,将其中工况1的数据记为源域工况2的数据记为目标域将源域和目标域输入到适配网络模型中;其中Xs,i与Xt,i为故障样本,ys,i与yt,i为故障类别标签,下角标s/t分别代表故障来自源域/目标域,ns和nt为源域包含的样本个数和目标域包含的样本个数,下角标i为样本索引;
步骤1.2适配网络模型的最后两层采用适配损失MK-MMD;
步骤1.3适配网络模型总的损失函数表示为:
其中,ρ是平衡因子,c是适配的网络层;ns为源域样本数量;J(Ψ(xs,i),ys,i)为网络的有监督偏差损失;HT为适配损失;
通过步骤1.1~1.3得到训练好的适配网络模型,并得到在目标域的适配精度;
步骤1.4:通过训练好的适配网络模型,并通过矩阵运算方式获得相应的适配信息的矩阵表示;
3.如权利要求1所述基于深度最优特征传输的工业过程小样本故障诊断方法,其特征是,适配网络模型包括8层网络;前三层通过源域的训练固定网络参数,接下来三层通过目标域微调网络参数。
5.如权利要求1所述基于深度最优特征传输的工业过程小样本故障诊断方法,其特征是,步骤4进一步包括:
步骤4.1:学习范式FΓ的第一个部分,通过定义连接矩阵和核矩阵、获取再生核希尔伯特空间下的全局散度矩阵、在小样本情况下重构目标域,在目标域无监督情况下求出最优的无监督判别使得测试数据误差最小;表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210437384.8A CN114740726B (zh) | 2022-04-22 | 2022-04-22 | 基于深度最优特征传输的工业过程小样本故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210437384.8A CN114740726B (zh) | 2022-04-22 | 2022-04-22 | 基于深度最优特征传输的工业过程小样本故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114740726A CN114740726A (zh) | 2022-07-12 |
CN114740726B true CN114740726B (zh) | 2022-10-21 |
Family
ID=82284193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210437384.8A Active CN114740726B (zh) | 2022-04-22 | 2022-04-22 | 基于深度最优特征传输的工业过程小样本故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740726B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028509B (zh) * | 2023-03-27 | 2023-06-06 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
CN116051911B (zh) * | 2023-03-29 | 2023-07-07 | 北京大学 | 基于不确定性学习的小样本轴承振动图像数据故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN111829782A (zh) * | 2020-07-16 | 2020-10-27 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN113177448A (zh) * | 2021-04-19 | 2021-07-27 | 西安交通大学 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11113829B2 (en) * | 2019-08-20 | 2021-09-07 | GM Global Technology Operations LLC | Domain adaptation for analysis of images |
-
2022
- 2022-04-22 CN CN202210437384.8A patent/CN114740726B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN111829782A (zh) * | 2020-07-16 | 2020-10-27 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN113177448A (zh) * | 2021-04-19 | 2021-07-27 | 西安交通大学 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
Non-Patent Citations (3)
Title |
---|
Classifier-Constrained Deep Adversarial Domain Adaptation for Cross-Domain Semisupervised Classification in Remote Sensing Images;Wenxiu Teng.etc;《IEEE Geoscience and Remote Sensing Letters 》;20190812;全文 * |
大数据下机械装备故障的深度迁移诊断方法;雷亚国等;《机械工程学报》;20190125(第07期);全文 * |
迁移学习在机械设备预测性维护领域的应用综述;王凯等;《中国仪器仪表》;20191225(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114740726A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A systematic review of deep transfer learning for machinery fault diagnosis | |
CN111721536B (zh) | 一种改进模型迁移策略的滚动轴承故障诊断方法 | |
CN114740726B (zh) | 基于深度最优特征传输的工业过程小样本故障诊断方法 | |
Feng et al. | Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis | |
CN111898095A (zh) | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 | |
Zhang et al. | CNN-FL: An effective approach for localizing faults using convolutional neural networks | |
Hainmueller et al. | Kernel regularized least squares: Reducing misspecification bias with a flexible and interpretable machine learning approach | |
Zhu et al. | Deep learning based soft sensor and its application on a pyrolysis reactor for compositions predictions of gas phase components | |
CN113298230B (zh) | 一种基于生成对抗网络的不平衡数据集的预测方法 | |
CN112883714B (zh) | 基于依赖图卷积和迁移学习的absc任务句法约束方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN111460101B (zh) | 知识点类型的识别方法、装置及处理器 | |
CN115601182A (zh) | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 | |
CN115600138A (zh) | 基于动态图残差卷积的流体动压密封环磨损故障检测方法 | |
Zhou et al. | Functional networks and applications: A survey | |
CN113269274B (zh) | 一种基于循环一致性的零样本识别方法及系统 | |
Wang et al. | Bearing fault diagnosis algorithm based on granular computing | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN117111464A (zh) | 一种多工况下的自适应故障诊断方法 | |
CN117408336A (zh) | 一种结构与属性注意力机制的实体对齐方法 | |
Aimen et al. | Leveraging task variability in meta-learning | |
CN116739100A (zh) | 量子神经网络的漏洞检测方法及自动驾驶漏洞检测方法 | |
Aucejo et al. | Identification and inference on regressions with missing covariate data | |
Fraccaroli et al. | Symbolic dnn-tuner |
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 |