基于故障描述的属性迁移用于零样本工业故障诊断

Fault description based attribute transfer for zero-sample industrial fault diagnosis.

基于故障描述的属性迁移用于零样本工业故障诊断

在这一篇文章中，研究了目标故障没有可用于模型训练的样本的问题。这种场景在工业研究中的很难研究。但是，对于目标故障，无法获得大量故障样本是一个普遍的问题，这限制了传统数据驱动方法在实际应用中的成功。这里，引入了零样本学习的方法，通过提出的基于故障描述的属性迁移的方法解决零样本的故障诊断任务。具体来说，这种方法学习使用人工定义的故障描述替代收集的故障样本决定故障分类。定义的描述（语义信息）由故障的任意属性组成，包括故障位置，故障的影响，甚至故障的原因。对于目标故障的属性知识，可以从同一过程中发生的一些现成故障中预学习和迁移。然后，可以根据定义的故障描述诊断目标故障而不需要任何额外的基于数据的训练。而且，此方法采用有监督的主成分分析提取属性的相关特征提供了一种有效的属性学习方法。从理论上分析和解释了基于故障描述的方法的可行性。此外，在基准田纳西-伊斯曼流程和实际火电厂流程上设计并进行了零样本故障诊断实验，以验证其有效性。结果显示，在没有样本的情况下诊断目标故障是可能的。

引言

一般的基于分类的故障诊断由三个阶段构成：数据获取，特征提取和故障分类。然而，这三个步骤更像是实验室中的规则而不是实践中的预期，日常工业场景出现的故障很多时候没有或者只有少量的可用数据。考虑到许多故障是毁灭性的并会引起巨大的损失，很少有工厂会在故障情况下运行和收集样本去训练一个故障诊断系统。机械从健康到故障通常要经历一个逐渐退化的过程，这也表明为数据驱动的方法获取足够多的故障样本既耗时又昂贵。

为了克服某些故障采集样本的困难，一种可接受的方法是将一些容易获得的或历史故障中学习到知识应用于那些难以或代价高昂的故障（目标故障）。然而，对于深度迁移学习，相同类型的故障已经在训练域中被准备了。尽管目标域中没有故障样本，但深度迁移实际上解决的是域转移问题（训练域和目标域之间），而不是相关的零样本问题。

零试学习在图像识别领域已得到了广泛的运用。零试学习的思想是从对象的属性中学习对象，这为解决零样本故障诊断问题提供了一种可能。然而，当变成了故障诊断任务，没有可用的图片去为不同的故障获取“颜色”或“形状”属性。视觉属性不适用于工业传感器信号，零样本故障诊断任务需要更多有效的辅助信息。

直观地说，我们在实践中学习一种新的故障时，首先会注意到故障的特征和语义描述而不是样本。例如，通过描述“一种与管道、联轴器和阀门相连的装置，用于输送气体、液体或含有固体颗粒的流体”，我们可以在根本看不到它的情况下学习物体“管道”。 此外，当人们被告知“管道中的流体流动停止或异常缓慢”时，他们知道存在“管道堵塞”故障。因此，基于总结良好的描述而不是样本来诊断和识别各种故障是可行的。人工定义的故障描述是识别故障类别的有说服力的直观证据。每一个工业故障的描述通常由几个属性构成，包括故障的影响，故障的位置和故障的原因，等等。事实上，人类定义的超越类别界限的属性可以被用来进行有效的跨类别学习。例如，“磨煤机轴承异常振动”故障和“磨煤机盘管温升”故障都发生在“磨煤机”上。因此，为了学习和识别“磨煤机”属性，我们可以通过合并也发生在“磨煤机”上的几个其他故障类别的样本，利用现有的训练数据，并将知识应用于目标故障。人类定义的属性可以被各种故障共享，这是从不同故障类别的描述中获取属性知识的可能性。

此外，高维、低密度信息是工业传感器数据的另一个基本特征。统计特征提取算法通常用作一个有效的数据挖掘和属性揭示。最流行和经典的方法是主成分分析法，它以无监督的方式进行特征提取。大量的案例研究和先前的工作已经证明了它的有效性。然而，对于通常在监督学习范式中定义的故障诊断任务，监督主成分分析更有助于提取目标相关特征并提供有效的诊断。

本文采用基于属性迁移的故障描述方法，研究了目标故障类别不提供训练样本的故障诊断场景。与传统的诊断模式不同，该方法为每个故障提供由任意属性组成的故障描述，作为辅助信息。故障描述层嵌入在故障样本层和故障类别层之间。基于故障描述层的细粒度和类共享属性，可以建立一个级联诊断系统，将训练故障的属性知识转移到目标故障，进行零样本故障诊断。在基于故障描述的方法中，我们还采用有监督的主成分分析作为特征抽取器，为更高效的学习过程提供与属性相关的特征。

这篇文章的主要贡献如下：

1. 第一次总结和解决零样本故障诊断任务，该任务试图在没有样本的情况下诊断目标故障。
2. 提出了基于故障描述的方法，将故障描述作为辅助知识源，实现了零样本诊断中从训练故障到目标故障的属性迁移。

 对于一般的机器学习模型，例如支持向量机和决策树，他们通常根据故障样本和提取的特征为每一个故障类别学习一个参数向量（或其它表示） 。显然，对于零样本故障诊断任务，他们直接实现从S到T的学习是不可行的。因为目标类 在训练过程没有被提供，并没有为T获取参数向量。困境描述如下图1：

 换句话说，为了识别不相交的目标故障，学习系统需要从训练故障中提取与目标故障相关的信息。由于对于目标故障没有训练数据可用，这种耦合不能够从样本中直接提取。因此，故障描述A 被用来提供额外的辅助信息和实现从训练故障到目标故障的属性迁移。

因此，根据引理，当关系知识U和V相等时，在线性情况下，属性学习器的共享是完全可行的。直观上，特征空间中的关系知识U可能由训练样本和目标故障类别决定，这是不可更改的。然而，属性标签空间中的关系知识V由定义的A决定，该A被指定从故障描述中学习，并通过试错改进。

总结

考虑到收集故障样本的困难，在这篇文章中阐述了零样本故障诊断任务。设计基于故障描述的属性迁移作为诊断目标故障无样本的第一次尝试。与在基准数据集上的少样本学习相比，可以观察到目标故障零样本的优点。实际TPP过程的高精度和可行性分析也表明，设计良好的故障属性描述，实际上是可能实现零样本故障诊断的。在未来的研究中，还有许多工作可以开发和改进。例如，首先，可以考虑零样本诊断的解决方案，即使用一些流行的生成模型，即生成对抗网络，根据目标故障的描述生成目标故障的样本；其次，本文将监督主成分分析作为零样本诊断中提取属性相关特征的基本方法，可以开发出更有意义和可解释性的方法来更好地执行任务。