CN117150359A - 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 - Google Patents

基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 Download PDF

Info

Publication number
CN117150359A
CN117150359A CN202311117280.XA CN202311117280A CN117150359A CN 117150359 A CN117150359 A CN 117150359A CN 202311117280 A CN202311117280 A CN 202311117280A CN 117150359 A CN117150359 A CN 117150359A
Authority
CN
China
Prior art keywords
model
learning
training
independent element
data
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.)
Pending
Application number
CN202311117280.XA
Other languages
English (en)
Inventor
刘潇波
沙德生
李芊
张庆
邹歆
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.)
Huaneng Clean Energy Research Institute
Huaneng Fuxin Wind Power Generation Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng Fuxin Wind Power Generation Co Ltd
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 Huaneng Clean Energy Research Institute, Huaneng Fuxin Wind Power Generation Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202311117280.XA priority Critical patent/CN117150359A/zh
Publication of CN117150359A publication Critical patent/CN117150359A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模型无关元学习的小样本故障诊断方法、系统、装置及介质，包括：基于训练集，得到最优化的基础模型；基于支持集和查询集，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；并对模型无关元学习进行微调，获取最优化的模型无关元学习；将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。本发明能够提高风电机组小样本故障诊断的准确率，解决了风电机组样本不平衡的问题；并利用元学习对新任务进行学习的方法，为解决新投运风电机组故障样本少、诊断难的问题提供新思路。

Description

基于模型无关元学习的小样本故障诊断方法、系统、装置及 介质
技术领域
本发明属于风力发电技术领域，涉及一种基于模型无关元学习的小样本故障诊断方法、系统、装置及介质。
背景技术
随着风电机组装机容量的增多，故障诊断变得愈发重要。人工智能推动了风电机组故障智能诊断的发展，使风电机组故障诊断进入大数据时代。然而对于新建风场，能够收集到的运行数据大多是正常运行状态下的健康数据，收集到的故障样本很少。由于新建风场与已有风场在结构、运行环境上存在区别，采用已有风场的故障样本训练的故障诊断模型，未必能够很好地适用于新风场的故障诊断。当训练样本不均衡时，采用传统的深度学习进行训练智能分类模型经常会出现过拟合，诊断精度大大降低。
发明内容
本发明的目的在于解决现有技术中训练样本不均衡时，传统的深度学习进行训练智能分类模型会出现过拟合，诊断精度大大降低的问题，提供一种基于模型无关元学习的小样本故障诊断方法、系统、装置及介质。
为达到上述目的，本发明采用以下技术方案予以实现：
基于模型无关元学习的小样本故障诊断方法，包括：
采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
基于训练集中每个类别随机抽取数据，获取支持集和查询集；
基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；
将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。
本发明的进一步改进在于：
进一步的，采集风电机组状态监测数据并进行数据处理，划分测试集和训练集，具体为：模型的训练集与测试集均为风电机组状态监测数据，测试集和训练集在进行测试和训练前均进行快速傅里叶变换，将复杂的时域信号转换为频域信号，便于神经网络模型学习和分类特征。
进一步的，基础模型包含三个卷积层、三个批标准化、三个最大池化和一个全连接层；一维卷积层用于提取数据中的关键信息，最大池化层用来降低特征数量、方便进行重要特征的选择，批标准化用来加速模型收敛、提高模型鲁棒性，全连接层用于最后的分类；基础模型具体分成4个模块，每个模块分别包含一层卷积、一层批标准化、一层激活函数和一层最大池化；除最后一层激活函数为Softmax外，其他所有层的激活函数均为修正线性单元Relu。
进一步的，将训练集输入至基础模型中进行训练，直至得到最优化的基础模型，具体为：判断基础模型的迭代次数是否达到设置的最大训练次数，若达到，则停止训练，损失函数达到最优；
模型具体的损失函数为：
L(f)＝∑[yilogf(xi)+(1-yi)log(1-f(xi))] (1)
其中，训练集为测试集为/>所提出的分类模型为f，f(xi)为模型的预测值，yi为实际值。
进一步的，模型无关元学习的更新方式为：假设单个任务θ更新的学习率为γ，模型φ更新的学习率为η，MAML的步骤如下：
(1)对于单个任务θi，即支持集的某个数据x和标签y，数据x输入到模型f中，得到fθ，对比fθ和标签y的交叉熵损失LTi，反向传播更新该任务的模型参数；
其中，θ为某一任务的参数，γ为该任务更新的学习率，所提出的分类模型为f，LTi为损失函数；
(2)计算查询集Q上所有任务损失的总和：
其中，φ为所有任务的更新参数，所提出的分类模型为f，LTi为损失函数；
(3)更新初始化参数：
其中，φ为所有任务的更新参数，η为总任务更新的学习率。
进一步的，支持集和查询集为在元学习中用于划分训练任务和测试任务的数据集；在训练任务中，支持集用于学习初始化参数，查询集用于增加参数的泛化性；在测试任务中，支持集用于微调初始化参数，查询集用于评估最终模型的性能。
基于模型无关元学习的小样本故障诊断系统，包括：
划分模块，所述划分模块采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
训练模块，所述训练模块将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
抽取模块，所述抽取模块基于训练集中每个类别随机抽取数据，获取支持集和查询集；
获取模块，所述获取模块基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
微调模块，所述微调模块从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；
分类对比模块，所述分类对比模块将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明通过将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。本发明利用风电机组现有的少量故障样本建立元学习模型，通过元任务更新模型，当相同故障再次发生时，可以有效地检测故障。模型以卷积神经网络为基础，采用了元学习中二阶梯度更新来提高新任务的泛化能力。充分利用了CNN的特征提取与分类能力、元学习的泛化能力，能够取得较好的效果。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的基于模型无关元学习的小样本故障诊断方法的一种流程图；
图2为本发明的基于模型无关元学习的小样本故障诊断系统的示意图；
图3为本发明的基于模型无关元学习的小样本故障诊断方法的另一种流程图；
图4为基础模型结构示意图；
图5为模型无关元学习更新示意图；
图6为基于训练集和测试集的数据最终分类结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明公布了一种基于模型无关元学习的小样本故障诊断方法，包括：
S101，采集风电机组状态监测数据并进行数据处理，划分测试集和训练集。
模型的训练集与测试集均为风电机组状态监测数据，测试集和训练集在进行测试和训练前均进行快速傅里叶变换，将复杂的时域信号转换为频域信号，便于神经网络模型学习和分类特征。
S102，将训练集输入至基础模型中进行训练，直至得到最优化的基础模型。
基础模型包含三个卷积层、三个批标准化、三个最大池化和一个全连接层；一维卷积层用于提取数据中的关键信息，最大池化层用来降低特征数量、方便进行重要特征的选择，批标准化用来加速模型收敛、提高模型鲁棒性，全连接层用于最后的分类；基础模型具体分成4个模块，每个模块分别包含一层卷积、一层批标准化、一层激活函数和一层最大池化；除最后一层激活函数为Softmax外，其他所有层的激活函数均为修正线性单元Relu。
判断基础模型的迭代次数是否达到设置的最大训练次数，若达到，则停止训练，损失函数达到最优；
模型具体的损失函数为：
L(f)＝∑[yilogf(xi)+(1-yi)log(1-f(xi))] (1)
其中，训练集为测试集为/>所提出的分类模型为f，f(xi)为模型的预测值，yi为实际值。
S103，基于训练集中每个类别随机抽取数据，获取支持集和查询集。
支持集和查询集为在元学习中用于划分训练任务和测试任务的数据集；在训练任务中，支持集用于学习初始化参数，查询集用于增加参数的泛化性；在测试任务中，支持集用于微调初始化参数，查询集用于评估最终模型的性能。
S104，基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习。
模型无关元学习的更新方式为：假设单个任务θ更新的学习率为γ，模型φ更新的学习率为η，MAML的步骤如下：
(1)对于单个任务θi，即支持集的某个数据x和标签y，数据x输入到模型f中，得到fθ，对比fθ和标签y的交叉熵损失LTi，反向传播更新该任务的模型参数；
其中，θ为某一任务的参数，γ为该任务更新的学习率，所提出的分类模型为f，LTi为损失函数；
(2)计算查询集Q上所有任务损失的总和：
其中，φ为所有任务的更新参数，所提出的分类模型为f，LTi为损失函数；
(3)更新初始化参数：
其中，φ为所有任务的更新参数，η为总任务更新的学习率。
S105，从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习。
S106，将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。
参见图2，本发明公布了一种基于模型无关元学习的小样本故障诊断系统，包括：
划分模块，所述划分模块采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
训练模块，所述训练模块将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
抽取模块，所述抽取模块基于训练集中每个类别随机抽取数据，获取支持集和查询集；
获取模块，所述获取模块基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
微调模块，所述微调模块从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；
分类对比模块，所述分类对比模块将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。
实施例：本发明提供了一种基于模型无关元学习的小样本故障诊断方法，参见图3，能够显著提高风电机组小样本故障诊断精确度，步骤为：
A、训练基础模型。
B、训练模型无关元学习(MAML)。
C、对模型无关元学习进行微调。
D、将测试集数据输入微调后的模型进行分类，并进行精度求解。
优选的，模型的训练集与测试集均为风电机组状态监测数据(CMS)，所有的数据在输入到模型之前都经过了快速傅里叶变换。快速傅里叶变换将复杂的时域信号转换为易于分析的频域信号，可以更清晰地表示故障特征频率、反映故障特征，便于神经网络模型更好地学习和分类特征。
优选的，步骤A对基础模型进行训练。基础模型如图4所示，包含三个卷积层(1dCNN)、三个批标准化(BatchNorm1d)、三个最大池化(MaxPool1d)和一个全连接层。其中，一维卷积层用于提取数据中的关键信息，最大池化层用来降低特征数量、方便进行重要特征的选择，批标准化用来加速模型收敛、提高模型鲁棒性，全连接层用于最后的分类。基础模型具体分成4个模块，如图4所示，4个模块分别包含一层卷积、一层批标准化、一层激活函数和一层最大池化；除最后一层激活函数为Softmax外，其他所有层的激活函数均为修正线性单元(Relu)。将所有训练集数据输入分类器模型，设模型为f，yi为训练数据xi对应的标签。更新基础模型参数，学习率lr1为0.01，模型训练100次，直到损失函数收敛达到最优。模型具体的损失函数为：
L(f)＝∑[yilogf(xi)+(1-yi)log(1-f(xi))]
其中，训练集为测试集为/>所提出的分类模型为f，f(xi)为模型的预测值，yi为实际值。
优选的，步骤B中的模型无关元学习(MAML)的更新方式如图5所示，元梯度更新是基于二阶梯度更新，这为MAML适应不同模型提供了许多灵活性。假设单个任务θ更新的学习率为γ，模型φ更新的学习率为η，MAML的步骤如下：
(1)对于单个任务θi，即支持集的某个数据x和标签y，数据x输入到模型f中，得到fθ，对比fθ和标签y的交叉熵损失LTi，反向传播更新该任务的模型参数。
其中，θ为某一任务的参数，γ为该任务更新的学习率，所提出的分类模型为f，LTi为损失函数。
(2)计算查询集Q上所有任务损失的总和：
其中，φ为所有任务的更新参数，所提出的分类模型为f，LTi为损失函数。
(3)更新初始化参数：
其中，φ为所有任务的更新参数，η为总任务更新的学习率。
优选的，步骤B对模型无关元学习进行训练。从训练数据中每个类别随机抽取数据形成支持集和查询集，支持集和查询集构建多个元学习任务。支持集和查询集是在元学习中用于划分训练任务和测试任务的数据集；在训练任务中，支持集用于学习初始化参数，查询集用于增加参数的泛化性；而在测试任务中，支持集用于微调初始化参数，查询集用于评估最终模型的性能。步骤A采用训练集训练好基础模型后，步骤B选择步骤A中训练好的基础模型参数作为模型无关元学习模型的初始参数，并利用每个任务更新模型参数。每个任务更新学习率为γ＝0.002，MAML更新学习率为η＝0.001，模型训练200次，直到损失函数收敛达到最优。
优选的，步骤C对元学习模型进行微调。模型微调(Fine-tune)是指在给定预训练模型的基础上，对模型进行进一步调整和优化的过程；微调的目的是利用预训练模型已经具备的浅层基础特征提取和深层抽象特征提取能力，避免从头开始训练模型所需的大量数据、时间和计算资源，同时减少模型不收敛、参数不优化、准确率低和模型过拟合等问题的风险。本模型的微调是选择更小的学习率来重新训练网络，从训练数据中随机选择数据进行微调，学习率仅为0.0005，模型训练100次，直到损失函数收敛达到最优，且图4中的模块1和2的参数固定不变，只微调图1中的模块3和模块4。
优选的，步骤D将测试集数据输入微调后的模型进行分类，步骤A～C的过程就是运用少量的数据训练分类器，步骤C的输出结果就是一个能够实现比较精确的小样本故障分类的模型。该模型的最后一层是Softmax激活函数，Softmax激活函数的输出就是独热编码数据，不同的独热编码代表不同的类别。将所有测试集输入到经过步骤A～C训练好的模型中，每一个测试数据能够输出对应的独热编码，也就是对应的预测类别，预测类别与实际类别对比，可以计算分类器的分类精度，与现有方法相比，验证模型的有效性。
优选的，选择了某风电机组发电机轴承数据作为案例进行小样本故障诊断研究，该数据的训练集和测试集如表1所示，最终的分类结果如图6所示。为了验证所提模型的优势，与其他文献的已有模型进行了对比，可以看到所提模型的小样本分类精度是最高的。
表1
故障类型 标签 训练集样本数量 测试集样本数量
健康 无故障 0 100 240
故障1 外圈故障 1 15 240
故障2 内圈故障+外圈故障 2 15 240
故障3 内圈故障+滚动体故障 3 15 240
本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于模型无关元学习的小样本故障诊断方法，其特征在于，包括：
采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
基于训练集中每个类别随机抽取数据，获取支持集和查询集；
基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；
将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。
2.根据权利要求1所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述采集风电机组状态监测数据并进行数据处理，划分测试集和训练集，具体为：模型的训练集与测试集均为风电机组状态监测数据，测试集和训练集在进行测试和训练前均进行快速傅里叶变换，将复杂的时域信号转换为频域信号，便于神经网络模型学习和分类特征。
3.根据权利要求2所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述基础模型包含三个卷积层、三个批标准化、三个最大池化和一个全连接层；一维卷积层用于提取数据中的关键信息，最大池化层用来降低特征数量、方便进行重要特征的选择，批标准化用来加速模型收敛、提高模型鲁棒性，全连接层用于最后的分类；基础模型具体分成4个模块，每个模块分别包含一层卷积、一层批标准化、一层激活函数和一层最大池化；除最后一层激活函数为Softmax外，其他所有层的激活函数均为修正线性单元Relu。
4.根据权利要求3所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述将训练集输入至基础模型中进行训练，直至得到最优化的基础模型，具体为：判断基础模型的迭代次数是否达到设置的最大训练次数，若达到，则停止训练，损失函数达到最优；
模型具体的损失函数为：
L(f)＝∑[yilogf(xi)+(1-yi)log(1-f(xi))] (1)
其中，训练集为测试集为/>所提出的分类模型为f，f(xi)为模型的预测值，yi为实际值。
5.根据权利要求4所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述模型无关元学习的更新方式为：假设单个任务θ更新的学习率为γ，模型φ更新的学习率为η，MAML的步骤如下：
(1)对于单个任务θi，即支持集的某个数据x和标签y，数据x输入到模型f中，得到fθ，对比fθ和标签y的交叉熵损失LTi，反向传播更新该任务的模型参数；
其中，θ为某一任务的参数，γ为该任务更新的学习率，所提出的分类模型为f，LTi为损失函数；
(2)计算查询集Q上所有任务损失的总和：
其中，φ为所有任务的更新参数，所提出的分类模型为f，LTi为损失函数；
(3)更新初始化参数：
其中，φ为所有任务的更新参数，η为总任务更新的学习率。
6.根据权利要求5所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述支持集和查询集为在元学习中用于划分训练任务和测试任务的数据集；在训练任务中，支持集用于学习初始化参数，查询集用于增加参数的泛化性；在测试任务中，支持集用于微调初始化参数，查询集用于评估最终模型的性能。
7.基于模型无关元学习的小样本故障诊断系统，其特征在于，包括：
划分模块，所述划分模块采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
训练模块，所述训练模块将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
抽取模块，所述抽取模块基于训练集中每个类别随机抽取数据，获取支持集和查询集；
获取模块，所述获取模块基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
微调模块，所述微调模块从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；
分类对比模块，所述分类对比模块将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
CN202311117280.XA 2023-08-31 2023-08-31 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 Pending CN117150359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311117280.XA CN117150359A (zh) 2023-08-31 2023-08-31 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311117280.XA CN117150359A (zh) 2023-08-31 2023-08-31 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质

Publications (1)

Publication Number Publication Date
CN117150359A true CN117150359A (zh) 2023-12-01

Family

ID=88883848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311117280.XA Pending CN117150359A (zh) 2023-08-31 2023-08-31 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN117150359A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407796A (zh) * 2023-12-15 2024-01-16 合肥工业大学 一种跨部件小样本故障诊断方法、系统和存储介质
CN117688455A (zh) * 2024-02-04 2024-03-12 湘江实验室 一种基于数据质量与强化学习的元任务小样本分类方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407796A (zh) * 2023-12-15 2024-01-16 合肥工业大学 一种跨部件小样本故障诊断方法、系统和存储介质
CN117407796B (zh) * 2023-12-15 2024-03-01 合肥工业大学 一种跨部件小样本故障诊断方法、系统和存储介质
CN117688455A (zh) * 2024-02-04 2024-03-12 湘江实验室 一种基于数据质量与强化学习的元任务小样本分类方法
CN117688455B (zh) * 2024-02-04 2024-05-03 湘江实验室 一种基于数据质量与强化学习的元任务小样本分类方法

Similar Documents

Publication Publication Date Title
CN117150359A (zh) 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质
CN101464964B (zh) 一种设备故障诊断的支持向量机模式识别方法
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN110703057A (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN108333468B (zh) 一种有源配电网下不良数据的识别方法及装置
Wang et al. Decision tree based control chart pattern recognition
Jiménez et al. Machine learning and neural network for maintenance management
CN115221930A (zh) 一种滚动轴承的故障诊断方法
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN113807568A (zh) 一种电力负荷预测方法、装置及终端设备
CN116307059A (zh) 配电网区域故障预测模型构建方法及装置、电子设备
Fu et al. Powercog: A practical method for recognizing power quality disturbances accurately in a noisy environment
CN110717623A (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及系统
CN114238062B (zh) 板卡烧录装置性能分析方法、装置、设备及可读存储介质
CN115219197A (zh) 一种轴承故障智能诊断方法、系统、介质、设备及终端
CN114417931A (zh) 一种基于原型网络的轴承故障诊断方法
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN115209441A (zh) 基站退服告警预测方法、装置、设备及存储介质
Gan et al. Fault diagnosis of wind Turbine’s gearbox based on improved GA random forest classifier
Juchuang et al. CNN-Wavelet-Transform-Based Model for Solar Photovoltaic Power Prediction
Tang et al. Rolling bearing fault diagnosis based on improved convolutional neural networks with attention mechanism under strong noise
CN117093854B (zh) 变压器机械故障诊断方法、设备及存储介质
CN112529035B (zh) 识别不同电台个体种类的智能识别方法

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