【文献阅读】不同工作条件下一种基于小样本元学习用于轴承故障诊断的新方法

A novel method based on meta-learning for bearing fault diagnosis with small sample learning under different working conditions

不同工作条件下一种基于小样本元学习用于轴承故障诊断的新方法

近来，智能故障诊断已经取得了巨大的成就，由于它强大的特征学习能力，在轴承故障诊断领域引起了越来越多的关注。现有的智能故障诊断方法普遍认为轴承故障样本量充足是理所当然的。然而，在实际中，缺乏故障样本已经变成了一个棘手的问题。因此，在这篇文章中，针对不同工况下的小样本轴承故障诊断问题，提出了一种新的数据重构分层循环元学习方法（DRHRM）。这种方法包括数据重构和元学习阶段。在数据重构阶段，噪声被减少,并且隐藏在原始数据中的有用信息被提取。在元学习阶段，该方法采用单样本学习的循环元学习策略进行训练。该方法在凯斯西储大学具有92种工作条件的轴承故障数据库和来自实验室具有56种工作条件的数据集上进行了实验。结果表明，该方法对于不同工况下的小样本轴承智能故障诊断是有效的。

引言

轴承在旋转机械中起着重要作用，由于恶劣的工作条件，旋转机械很容易发生故障。因此，自动故障诊断方法已经变成了一个广泛关注的议题。传统的智能故障诊断方法，如人工神经网络(ANN),支持向量机（SVM）和极限学习机（ELM），在轴承故障诊断方面已经取得了显著的成就。通常，在识别故障类型前，利用信号处理技术从原始振动信号中提取大量的特征。但是提取器所获取特征的可用性强烈影响传统智能方法的故障诊断结果。在实际情况下，由于复杂的工作环境，振动信号是非平稳的，带有强噪声。为传统的智能方法设计一种可操作的信号处理方法去有效的提取故障特征是有挑战性的。因此，需要更多准确和智能的方法用于旋转机械的故障检测。

深度学习提供了一种用于故障检测的方法，其被用于智能故障诊断。与传统智能故障诊断方法需要提取提器和选择器提取特征相比深度学习能够自动的学习有价值的特征。也就是说，深度学习方法避免了多样的信号技术并能够实现端到端（end to end）的学习，深度自动编码器，深度信念网络（DBN），卷积神经网络（CNN）。

然而，收集丰富的故障样本既耗时又困难，因为一旦轴承出现故障，就会用新的轴承更换。由于小的轴承故障样本，过拟合现象可能会削弱深度学习模型的性能。然后，一些技术，如数据增强，退化和正则化，被用来缓解这个问题。近来，出现一些研究利用小样本深度学习用于轴承故障诊断。

元学习的出现可能带来小样本轴承故障诊断的革新，它可以利用一个或几个样本去解决相关任务分配中的小样本学习（SSL）问题。元学习能够用小样本解决不同的问题，如分类，回归和强化学习。传统的学习算法在数据层面发现一般的经验，然而元学习的目标是在任务层面上发现一个概括经验的规则。元学习利用一个深度学习模型作为基础结构，这充分利用了深度学习特征提取能力的优势，即使使用一个或几个样本去训练模型。元学习被用于轴承故障诊断。在这篇文章中DRHRML被提出用于智能轴承故障诊断，主要的贡献总结如下;

1.通过在损失函数中加入新的约束，提出了一种新的数据重构方法——改进的稀疏降噪自动编码器（ISDAE），以保持输入的特性，去除原始数据中隐藏的杂质。

2.一种循环元学习算法（RML）被提出在有着少量训练样本的不同条件下分类轴测故障。由于RML强大的“学习到学习”的能力，RML能够解决存在于故障诊断中的SSL问题。

3.从两个故障数据集中重构了两个新的任务数据集。一个来自凯斯西储大学，另一个来自实验室。利用CWRU轴承故障数据的各种条件，如不同的故障端、不同的故障位置、不同的故障严重程度、不同的工作条件、不同的故障大小、不同的采样频率和不同的故障类型，验证了该方法的有效性。与CWRU提供的数据集不同，我们实验室的数据集包含不同的测量方向和加速阶段。实验结果表明，该方法能充分利用小样本，对不同工况下的小样本轴承智能故障诊断是有效的。

相关工作

数据重构：随着深度学习的发展，各种数据驱动的数据重建方法被开发出来，包括但不仅限于自动编码器（AE）。作为一个无监督的学习模型，AE能够通过最小化重构误差来确保网络的输出接近输入值。也就是说，AE的目标是找到一个能够在输出和输入之间建立映射关系的身份函数。基础AE是一个三层神经网络，中间层用于捕获隐藏在原始数据中有用的智能表示。自从AE产生以来，AE的不同变体在不同约束条件下得到了发展，主要的变体是稀疏自动编码器（SAE）和降噪自动编码器（DAE）。

稀疏性已经成为机器学习，统计和信号处理等不同领域的一个流行概念。SAE采用规则化设计来约束AE，规则性主要将每个节点的输出限制为0，只有少数节点被激活。稀疏表达使SAE更加有效。DAE也是AE的一种变体，它使用一个遵循特定分布的噪声混合到原始数据中，产生一个新的输入数据。DAE的目标是使输出数据与原始数据一致，重建结果尽可能与原始数据相似，从而使模型对噪声环境具有鲁棒性。

小样本学习：SSL是一种基本的，逐渐普及的新学习范式，其目标是模拟人类的学习能力，从小样本中快速的搜索特征知识。这有两种主要的SSL情景，概念学习和经验学习。经验学习主要利用机器学习在样本上的学习能力，本质上是一种数据驱动的方法。概念学习使用匹配规则将概念和小样本相关联，以实现识别任务。这篇文章中的SSL基于经验学习，有时也叫做小数据学习，它能够在缺乏足够训练数据的条件下执行机器学习。

首先，给定经验学习SSL范式的小样本输入ξ ，主要的策略是知识系统ϑ ​​​​​​​ 。这篇文章中用到的模型，可能是神经网络，随机森林或是元学习模型，从其它相关数据集训练调整到给定数据集的小训练样本，在训练的过程中微调的技术被用来改变获得的参数。经验学习范式如图1所示：

轴承故障诊断经验学习的目标是利用深度学习作为知识系统，模型从小样本进行训练。然后将训练阶段的参数传递到测试阶段，同时利用与训练域相关的数据集对模型进行评估。

元学习：元学习提供了一个有效的工具去解决SSL问题。SSL元学习的目标是训练一个模型，该模型能够仅仅使用少量的数据点获得经验去解决一个新任务并通过学习“如何学习”改善性能。换句话说，元学习能够帮助一个模型在一系列任务中自学，其中每个任务都将小样本作为训练数据集。元模型能够通过不同的故障诊断任务持续的学习知识。从元模型中获取的高阶元信息是识别新的相关轴承故障的关键。

 

 

 

 

 

 

 

 

 

 DRHRML的程序：DRHRML的程序呈现在图5中，其主要包含三个步骤：用于故障识别的数据采集、数据重构和元学习。

提出的DRHRML方法一般的程序概述如下：

步骤1：通过测量系统从实验装置中收集数据。然后，按照元学习范式构建训练和测试数据集。

步骤2：将步骤1中构造的振动数据输入ISDAE。ISDAE的输出不仅保留了重要的特征，而且减少了隐藏在输入中冗余信息。利用重构的训练数据集，按照特定的训练方式对RML进行训练。

步骤3：利用ISDAE重构的测试数据被输入到训练数据训练好的RML中，用于轴承故障诊断。

结论

在这篇文章中，一种基于数据重构和元学习新的方法DRHRML被提出用于智能轴承故障检测的小样本学习。所提出的方法在两个数据集上进行了实验。与传统的数据重构方法相比较，ISDAE由于其强大的去噪能力、稀疏表示能力和协同分配能力改善了分类准确率。与现有的智能故障诊断方法相比较，RML能够使用少量的样本在不同的条件下准确的诊断轴承故障。元学习将会提供一个新的工具用于小样本的智能故障诊断。值得注意的是，元学习将是一项正在进行的工作，以提高在不同条件下小样本故障诊断应用的准确性。