一种基于元学习的变工况故障诊断方法

1.本发明涉及基于元学习的轴承故障诊断技术领域，尤其涉及一种基于元学习变工况下的故障诊断方法，利用先验知识快速建立新的联邦模型实现学会联邦。


背景技术：

2.随着科技的进步，工业电气化程度越来越高，电机设备得到广泛的应用，处于高载荷、高转速等变工况情况下电机故障发生的频率较高，一旦发生故障，若不能及时发现并处理，将会造成巨大的经济损失和人员伤亡。因此，为了降低电机故障率和运行维修成本，进行实时故障诊断和健康监测，确保电机设备安全高效的运行是至关重要的。
3.现有的故障诊断方法大致可分为三种：解析模型、数据驱动、经验知识。其中，随着分布式系统和数据存储、传输、处理等技术的不断发展，面向生产过程和设备运行中的海量状态数据和状态变量，仅仅依靠传统的解析模型和数据驱动无法充分挖掘数据中隐含的故障征兆和逻辑关系，另外面对变工况系统下的动态随机性和多元不确定性，导致无法建立精确的数学模型。因此基于深度学习的故障诊断方法受到了广泛的关注，深度学习的“学习”主要集中在学习数据的有用表示，试图找到数据的内部结构，发现变量之间的本质关系，好的表示能够消除输入数据中与学习任务无关因素的改变对学习性能的影响，同时保留对学习任务有用的信息。针对变转速、变负载条件下的故障诊断问题，提出了许多迁移学习和特征提取相结合的方法，但是当源域与目标域数据分布差异较大时，需要大量的数据供训练，计算复杂，难以收敛到最优，在提取可迁移特征时，会存在内部协变量移位和负迁移等问题。
4.元学习旨在根据多次学习事件的经验来改善学习算法本身，有助于解决深度学习中数据、计算瓶颈以及泛化等相关问题，它的作用在于面对新任务时通过少量的训练就能学习新的技能，或得到适应新环境的模型，获取一种“学会学习”的能力，使其在已有的知识基础上快速学习。目前的元学习算法主要是根据训练任务中学习到的参数迁移到测试任务中，避免了随机初始化参数而进入局部最小值。但是在不同工况下，在线测试搜集到的数据与原训练数据特性分布不一致，仅靠迁移参数模型难以收敛，并不能很好地在测试阶段检测出故障类型。
5.因此，如何充分利用先验知识对新任务进行指导，从而快速建模进行故障诊断，让机器学会学习成为当前的研究需求。


技术实现要素：

6.针对现有的故障诊断方法中面对新任务泛化性能差，变工况下离线训练时的数据与在线检测时的数据分布特性不一致，而不能较好地适应新环境，本发明提出了一种基于元学习的变工况故障诊断方法，离线训练时多个机构并行训练，共享参数至联邦中心，联邦中心建立联邦模型学习出联邦聚合策略作为先验知识，在线检测时面对变工况下采集到的数据，利用学习到的联邦策略快速建模进行故障诊断，实现学会联邦。
7.具体的，本发明通过以下方案实现上述目的：
8.1.一种基于元学习的变工况故障诊断方法，其特点包括以下步骤：
9.s1、在离线训练阶段，选取同一种工况下的数据建立数据集，所述数据集包括支持集和查询集，为一维序列数据；
10.所述步骤s1包含以下步骤：
11.s1.1、选取不同故障类型的轴承一维序列样本，并设置不同故障类型的标签；
12.s1.2、对步骤s1.1所述的各机构数据按照一定的比例划分为支持集和查询集，其中支持集分发给各机构；
13.s2、各机构通过支持集并行训练网络参数，并上传至联邦中心学习聚合策略；
14.所述步骤s2包含以下步骤：
15.s2.1、联邦中心初始化参数θ1，并下发给各机构；
16.s2.2、各机构中的支持集并行训练网络参数；
17.当n＝1时，如公式(17)-(19)所示：
[0018][0019][0020][0021]
其中有i个机构参与联邦，表示第j个机构支持集中输入的一维序列数据，n表示机构与联邦中心交互次数。
[0022]
s2.3、各机构上传给联邦中心联邦中心将聚合后的参数θ2下发给步骤s1.2中所述的查询集；如公式(20)所示：
[0023][0024]
s2.4、若网络参数在查询集中精度达到阈值则退出训练阶段，否则进行一次反向传播微调，如公式(21)所示，再发送参数至各机构的支持集并行训练；
[0025][0026]
s2.5、当n＝n时，各机构支持集并行训练网络参数，如公式(22)-(24)所示：
[0027][0028][0029]
[0030]
s2.6、重复步骤s2.3～s2.5直至退出训练阶段；
[0031]
s3、退出训练阶段时，得到各机构聚合时的权值βj作为元知识；如公式(25)所示：
[0032][0033]
s4、在测试阶段各机构采集到新的样本后，并行训练网络参数，基于先验知识快速建立新的联邦模型；
[0034]
所述步骤s4包含以下步骤：
[0035]
s4.1、将在线采集到的新样本分为支持集和查询集，为一维序列数据，其中支持集分发给各机构；
[0036]
s4.2、联邦中心根据训练阶段的网络结构初始化参数θ
′1；
[0037]
s4.3、各机构的支持集并行训练网络参数；
[0038]
当n＝1时，如公式(26)～(28)所示：
[0039][0040][0041][0042]
其中网络参数
[0043]
s4.4、各机构将本地训练好的参数上传至联邦中心；
[0044]
s4.5、联邦中心基于元知识进行聚合，快速建立新的联邦模型，将聚合后的参数再下发给各机构；如公式(29)所示：
[0045][0046]
s4.6、当n＝n时，各机构支持集并行训练网络参数，如公式(30)-(32)所示：
[0047][0048][0049][0050]
s4.7、各机构重复步骤s5中的s5.4～s5.6；
[0051]
s5、通过步骤s4.1中所述的查询集测试联邦中心下发的网络参数进行故障诊断，并得到分类精度。
[0052]
与现有技术相比，本发明的有益效果在于：离线训练时多个机构并行训练，共享参数至联邦中心，联邦中心建立联邦模型学习出联邦聚合策略，基于元学习，在线检测时面对变工况下采集到的新数据，利用学习到的联邦策略快速建模进行故障诊断，实现学会联邦。
本发明克服了在线测试搜集到的数据与原训练数据特性分布不一致，面对新的任务泛化性能差等问题，可以有效利用先验知识对新任务进行指导，快速建模进行故障诊断而避免重新训练，有效提高故障诊断精度，对故障诊断和深度学习的发展和推广应用有一定的促进作用，对工业生产进步具有现实意义。
附图说明
[0053]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
[0054]
图1为本发明基于元学习的变工况故障诊断方法网络结构图。
具体实施方式
[0055]
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付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。
[0056]
如图1所示为基于元学习的变工况故障诊断网络结构图，其步骤如下：
[0057]
s1、在离线训练阶段，建立数据集；
[0058]
选取同一种工况下的一维序列样本，包括4种故障类型：滚珠，内圈，外圈，正常，每类选取2000个样本作为支持集下发给各机构，每类1000个样本作为查询集。
[0059]
s2、各机构通过支持集并行训练网络参数，并上传至联邦中心学习聚合策略；
[0060]
所述步骤s2包含以下步骤：
[0061]
s2.1、联邦中心初始化参数θ1，并下发给各机构；
[0062]
s2.2、各机构中的支持集并行训练网络参数；
[0063]
当n＝1时，如公式(33)-(35)所示：
[0064][0065][0066][0067]
其中有i个机构参与联邦，表示第j个机构支持集中输入的一维序列数据，n表示机构与联邦中心交互次数。
[0068]
s2.3、各机构上传给联邦中心联邦中心将聚合后的参数θ2下发给步骤s1.2中所述的查询集；如公式(36)所示：
[0069][0070]
s2.4、若网络参数在查询集中精度达到阈值则退出训练阶段，否则进行一次反向传播微调，如公式(37)所示，再发送参数至各机构的支持集并行训练；
[0071][0072]
s2.5、当n＝n时，各机构支持集并行训练网络参数，如公式(38)-(40)所示：
[0073][0074][0075][0076]
s2.6、重复步骤s2.3～s2.5直至退出训练阶段；
[0077]
s3、退出训练阶段时，得到各机构聚合时的权值βj作为元知识；如公式(41)所示：
[0078][0079]
s4、在测试阶段各机构采集到新的样本后，并行训练网络参数，基于先验知识快速建立新的联邦模型；
[0080]
所述步骤s4包含以下步骤：
[0081]
s4.1、将另一种负载下采集到的一维序列数据分为支持集和查询集，其中支持集样本共8000下发给各机构，查询集样本4000个；
[0082]
s4.2、联邦中心根据训练阶段的网络结构初始化参数θ
′1；
[0083]
s4.3、各机构的支持集并行训练网络参数；
[0084]
当n＝1时，如公式(42)～(44)所示：
[0085][0086][0087][0088]
其中网络参数
[0089]
s4.4、各机构将本地训练好的参数上传至联邦中心；
[0090]
s4.5、联邦中心基于元知识进行聚合，快速建立新的联邦模型，将聚合后的参数再下发给各机构；如公式(45)所示：
[0091][0092]
s4.6、当n＝n时，各机构支持集并行训练网络参数，如公式(46)-(48)所示：
[0093][0094][0095][0096]
s4.7、各机构重复步骤s5中的s5.4～s5.6；
[0097]
s5、通过步骤s4.1中所述的查询集测试联邦中心下发的网络参数进行故障诊断，并得到分类精度。
[0098]
为了验证本发明的有效性和泛化性，采用凯斯西储大学提供的轴承数据集进行实验，分别在0hp、1hp、2hp、3hp负载下采集到的数据作为不同的阶段，分别有滚珠、内圈、外圈、正常四种故障类型的样本，并与传统的联邦学习进行变工况下的测试任务对比诊断精度。
[0099]
(1)数据预处理
[0100]
如图1所示为本发明具体框图，本发明采用滑动窗进行数据预处理。每一个滑动窗口为一个样本，滑动窗口的大小设置为100，即每个样本的参数个数为100，滑动步长设置为20，训练阶段和测试阶段支持集样本共有8000个，查询集共有4000个样本。
[0101]
(2)参数设置
[0102]
每个机构4层网络，每层神经元分别为100/60/30/4，故障标签设为独热编码，每个机构训练时学习率为0.5，在训练阶段查询集反向微调时学习率为0.001，最大联邦次数为1000次，网络的输出用softmax函数进行故障分类，根据训练阶段查询集精度设置阈值0.98来退出训练阶段的联邦。
[0103]
(3)实验设计及结果
[0104]
表格1实验场景及诊断精度
[0105]
[0106][0107]
(4)实验分析
[0108]
根据实验结果可知，在线测试时，随着与联邦中心交互次数的增加，在查询集中故障诊断精度不断提高并趋于稳定。当离线训练和在线测试是同一种工况下采集到的数据时，使用传统的联邦平均算法与联邦中心的交互次数为50时可达到97.50％，在变工况下采集到的数据，与联邦中心交互50000次后只能分别达到94.83％、91.97％、94.15％，需付出更大的通信代价，时间复杂度更高。而本文设计的学会联邦算法，在变工况相同的通信代价下，可达到与同工况时相当的诊断精度。
[0109]
当在线测试阶段查询集精度都达到93％时，在变工况下传统的联邦平均算法无法适应新任务，需要与联邦中心交互成千上万次，而学会联邦算法仅交互几次即可，快速建立了新的联邦模型进行故障诊断。
[0110]
传统的元学习主要解决小样本多任务分类问题，实现学会学习，因此本文在样本总数不变时，不断增加不同任务下的机构数，相应减少每个机构每类支持集样本数进行了实验可知，机构数越多，同样通信代价下的故障诊断精度越高，实现了小样本快速联邦学习。
[0111]
由此可知传统的联邦平均算法忽略了每个机构模型的效果，机构的数据量不能说明模型的稳定性，也不代表在联邦时起到更重要的地位；另外当测试任务与原始训练时采
集到的数据集分布特性不一致时，传统的联邦模型无法适应新的任务，泛化性不强。本文设计的学会联邦算法中，提高了当前局部模型表现较差的参与者权重，使中心模型向弱势方偏移，降低了中心模型在各机构性能表现的方差，随着联邦交互次数的增加，查询集中的精度不断提升至稳定状态，实现了学会联邦的目的。
[0112]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。