SVgydF4y2Ba 冲击和振动gydF4y2Ba 1875 - 9203gydF4y2Ba 1070 - 9622gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/3152174gydF4y2Ba 3152174gydF4y2Ba 研究文章gydF4y2Ba DC-NNMN:在组件故障诊断基于深Few-Shot学习gydF4y2Ba 徐gydF4y2Ba 胡安gydF4y2Ba 1gydF4y2Ba 徐gydF4y2Ba PengfeigydF4y2Ba 1gydF4y2Ba 魏gydF4y2Ba ZhenchungydF4y2Ba 1gydF4y2Ba 丁gydF4y2Ba 徐gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0003 - 4042 - 592 xgydF4y2Ba 史gydF4y2Ba LeigydF4y2Ba 1gydF4y2Ba 玛雅gydF4y2Ba 努诺·M。gydF4y2Ba 1gydF4y2Ba 计算机与信息科学学院gydF4y2Ba 合肥工业大学gydF4y2Ba 合肥230009年gydF4y2Ba 中国gydF4y2Ba hfut.edu.cngydF4y2Ba 2gydF4y2Ba 工业和装备技术研究所gydF4y2Ba 合肥工业大学gydF4y2Ba 合肥230009年gydF4y2Ba 中国gydF4y2Ba hfut.edu.cngydF4y2Ba 2020年gydF4y2Ba 17gydF4y2Ba 12gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 16gydF4y2Ba 9gydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 11gydF4y2Ba 2020年gydF4y2Ba 17gydF4y2Ba 12gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020胡安徐et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

近年来,深度学习已经成为一个热门话题在工业设备智能故障诊断。在实际工作环境中,如何实现智能故障诊断的情况下不同的机械部件和一个小标签样本是一个具有挑战性的问题。这意味着训练一个组件样品但与另一个组件测试样品还没有被解决。在本文中,我们提出一个深卷积最近邻匹配网络(DC-NNMN)基于few-shot学习。一维卷积嵌入网络构造提取高维故障特性。余弦距离是并入gydF4y2Ba KgydF4y2Ba最近邻居法模型分布之间的距离标记样本查询集和标记样本在高维故障特性的支持。多个few-shot学习故障诊断任务作为测试数据集,然后通过训练多个任务网络参数进行了优化。因此,一个健壮的网络模型是获得分类未知的故障类别在不同组件小故障样本的标签。我们使用CWRU轴承振动数据集,选择轴承振动数据的实验平台,想和跨组件的另一个齿轮振动数据集实验证明该方法。实验结果表明,该方法可以实现故障诊断准确性为82.19%,传动装置为82.63%,每个故障类别的轴承只有一个样本。拟议中的DC-NNMN模型提供了一种新的方法来解决跨组件故障诊断在few-shot学习。gydF4y2Ba

 中国国家重点研究和发展计划gydF4y2Ba 2018年yfb2000505gydF4y2Ba 中国国家自然科学基金gydF4y2Ba 61806067gydF4y2Ba 安徽省科技重大项目gydF4y2Ba 17030901047gydF4y2Ba 1。介绍gydF4y2Ba

在复杂的工业系统,故障诊断是一个重要的问题,以确保设备和人员的安全gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba]。近年来,故障特征的深层神经网络模型的学习能力大量样本已经众所周知,广泛应用于故障诊断领域的(gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 4gydF4y2Ba]。然而,基于深度学习故障诊断的成功取决于以下两个条件:(1)大量的标签错误数据;(2)训练数据和测试数据具有相同的类别空间和一致的分布(gydF4y2Ba 5gydF4y2Ba- - - - - -gydF4y2Ba 7gydF4y2Ba]。gydF4y2Ba

目前,许多学者关注标记样本有限的故障诊断。转移学习的方法介绍了近年来,利用现有知识的源域解决故障分类在不同的目标域。陆et al。gydF4y2Ba 8gydF4y2Ba)提出了一个深刻的神经网络模型与域适应在不同负载下实现故障诊断。温家宝et al。(gydF4y2Ba 9gydF4y2Ba)提出了一种深转移学习方法的滚动轴承故障诊断标记目标域数据,最大限度地减少损失的区别特征的训练和测试数据使用最大意味着差异。挂et al。gydF4y2Ba 10gydF4y2Ba)提出了一种主成分分析(PCA)方法基于改进的击杀算法和应用PCA高维领域的不平衡故障数据。为了增加样本集的大小。gydF4y2Ba

许多学者已经使用氮化镓的想法实现代振动故障诊断的样本。卡布瑞拉等。gydF4y2Ba 11gydF4y2Ba)使用甘斯模型来评估每个少数失败的数据分布模式。赵et al。gydF4y2Ba 12gydF4y2Ba)提出了一个可切换的规范化semisupervised生成网络故障诊断方法,通过生成协助模型训练样本。然后,标签的故障样本不足的问题在测试条件下能够解决。gydF4y2Ba

上述研究可以解决故障诊断标记数据不足的问题,当训练集和测试集具有相同的类别空间深陷网络。带安全标签的数据模型训练的一个组件不能被其他组件故障类别进行分类,因为即使带安全标签的数据时可以获得一些其他组件,不同组件的故障类别和空间数据分布是不同的;我们称之为跨组件故障诊断。gydF4y2Ba

Few-shot学习致力于理解新类别从几个例子,它是一个非常通俗的主题领域的图像分类。一些实现方法包括基于模型的、基于指标,文中针对方法。基于模型的方法旨在快速更新的参数与少量的样品直接通过模型结构的设计和建立一个映射函数的输入gydF4y2Ba xgydF4y2Ba和预测价值gydF4y2Ba pgydF4y2Ba ,如内存增强方法(gydF4y2Ba 13gydF4y2Ba)和元网络(gydF4y2Ba 14gydF4y2Ba]。gydF4y2Ba

基于指标的方法完成分类通过测量样本之间的距离在批量和样品支持集合。基于度量的典型方法是暹罗网络(gydF4y2Ba 15gydF4y2Ba),匹配网络(gydF4y2Ba 16gydF4y2Ba],原型网络[gydF4y2Ba 17gydF4y2Ba),等等。gydF4y2Ba

文中针对方法由历险记》等。gydF4y2Ba 18gydF4y2Ba),提出普通的梯度下降方法很难适应few-shot场景。文中针对方法完成任务的想法few-shot分类通过调整优化方法,所以方法不限于尺寸参数和模型的体系结构。gydF4y2Ba

然而,由于图像数据之间的差异分布和振动数据,不能适应现有的few-shot学习模型在故障诊断领域。因此,本文提出一种跨组件few-shot学习基于匹配网络的故障诊断方法,并通过一系列的实验验证了模型。总结了本研究的主要观点和贡献如下:gydF4y2Ba

我们提出一个基于深度的智能故障诊断方法卷积(DC-NNMN)最近邻匹配网络。一个基础课卷积网络故障特征的提取高维设计。余弦距离是并入gydF4y2Ba KgydF4y2Ba最近邻居法模型分布之间的距离标记样本查询集和标记样本在高维故障特性的支持,因此,同一类别的故障样本相互接近,不同类别的样本是遥远。查询组和支持组的样本一个组件被分解成不同的元任务学习模型的泛化能力,当故障类别的变更;然后,另一个组件的未知故障类别可分为不改变网络模型。gydF4y2Ba

我们使用凯斯西储大学(CWRU)轴承振动数据集作为训练集和轴承振动数据从想实验平台,选择另一个传动装置振动数据集,分别为测试组对我们的实验证明该方法的可行性。实验结果证明,该模型由轴承故障训练数据取得准确的故障分类的新的故障类别的轴承和传动装置。该方法实现了跨组件故障诊断与小故障样本。gydF4y2Ba

剩下的纸是组织如下。部分gydF4y2Ba 2gydF4y2Ba介绍了DC-NNMN的预赛。部分gydF4y2Ba 3gydF4y2Ba细节提出深卷积最近邻匹配网络模型(DC-NNMN),包括问题描述,模型结构,优化目标。节gydF4y2Ba 4gydF4y2Ba实验验证,并进行相应的分析。结论是在一节gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

 2。预赛gydF4y2Ba 2.1。Few-Shot学习gydF4y2Ba

few-shot学习的主要挑战是如何理解新的类别的几个例子。具体来说,few-shot学习的训练集包含许多类别,每个类别有多个样本。在培训阶段,gydF4y2Ba cgydF4y2Ba 在训练集类别是随机选择的,每个类别选择gydF4y2Ba kgydF4y2Ba 样品(总共gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba 样本)作为支持gydF4y2Ba 年代gydF4y2Ba 。然后选择gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 保持数据gydF4y2Ba cgydF4y2Ba 类别样本作为查询集gydF4y2Ba 问gydF4y2Ba 的模型。模型的目标是最小化预测损失查询集gydF4y2Ba 问gydF4y2Ba ,通过给予支持gydF4y2Ba 年代gydF4y2Ba 作为输入。也就是需要学习如何区分这些模型gydF4y2Ba cgydF4y2Ba 类的gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba 样本集的支持。这样一个任务被称为gydF4y2Ba C-way kgydF4y2Ba拍摄的问题。在few-shot学习,gydF4y2Ba kgydF4y2Ba 通常是不到20。gydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 可以表示如下:gydF4y2Ba (1)gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 。gydF4y2Ba

2.2。<斜体> K < /斜体>最近的邻居gydF4y2Ba

KgydF4y2Ba最近的邻居(资讯)最初提出的封面和哈特在1968年(gydF4y2Ba 19gydF4y2Ba]。这是一个相对成熟的非参数统计方法分类和回归。的核心思想是,如果大部分的gydF4y2Ba KgydF4y2Ba最近的邻居特征空间的样本属于某个类别,样本也属于这一类。将一组数据与已知的标签{(gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ),(gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ),…,(gydF4y2Ba xgydF4y2Ba ngydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ngydF4y2Ba )},gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 样本的特征向量gydF4y2Ba 我gydF4y2Ba。和gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 是它的标签,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba =gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba kgydF4y2Ba 。训练样本(gydF4y2Ba xgydF4y2Ba,gydF4y2Ba ygydF4y2Ba),然而,算法搜索gydF4y2Ba KgydF4y2Ba最接近的实例gydF4y2Ba xgydF4y2Ba 基于给定的距离度量,表示gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba KgydF4y2Ba 。然后计算样本的标签gydF4y2Ba xgydF4y2Ba 根据决策规则进行测试:gydF4y2Ba (2)gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 参数gydF4y2Ba 马克斯gydF4y2Ba ∑gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba εgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba =gydF4y2Ba cgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ngydF4y2Ba ;gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 我gydF4y2Ba是相似性测量的距离。因此,在距离度量确定后,gydF4y2Ba KgydF4y2Ba最近邻居算法只有一个参数gydF4y2Ba KgydF4y2Ba。如何选择一个最佳的吗gydF4y2Ba KgydF4y2Ba价值取决于数据集本身。如图gydF4y2Ba 1gydF4y2Ba一个红色圆圈是测试样品,如果gydF4y2Ba KgydF4y2Ba= 3,归类为绿色广场,如果gydF4y2Ba KgydF4y2Ba= 5,它被列为一个黄色的三角形。它有简单的优点,易于理解,易于实现,不需要估计的参数,没有培训。它尤其适合multiclassification问题。gydF4y2Ba

基于事例的一个例子。gydF4y2Ba

 3所示。该方法gydF4y2Ba 3.1。问题描述gydF4y2Ba

本文的想法few-shot学习基于匹配网络用于故障诊断在类别空间。我们定义跨组件few-shot学习故障诊断问题如下:gydF4y2Ba

机械组件(MCA)和机械组件B (MCB)与不同故障类别不同的组件。gydF4y2Ba

训练集gydF4y2Ba TgydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba MCA包含许多类别标签的故障样本,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 是振动数据,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 相应的故障标签,gydF4y2Ba ngydF4y2Ba 是数据的数量。gydF4y2Ba

给定一个支持组名盾牌gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba ,其中包含gydF4y2Ba cgydF4y2Ba 不同的故障类别,每个类别包含gydF4y2Ba kgydF4y2Ba 样品,gydF4y2Ba kgydF4y2Ba ≤gydF4y2Ba 20.gydF4y2Ba 。给定一个查询组gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ,查询的数据集gydF4y2Ba 问gydF4y2Ba有相同的类别和支持gydF4y2Ba 年代gydF4y2Ba。gydF4y2Ba

TgydF4y2Ba和gydF4y2Ba 年代gydF4y2Ba有不同的功能空间gydF4y2Ba χgydF4y2Ba 和类别空间gydF4y2Ba YgydF4y2Ba :gydF4y2Ba (3)gydF4y2Ba χgydF4y2Ba 年代gydF4y2Ba ≠gydF4y2Ba χgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba ≠gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

一组支持gydF4y2Ba TgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba 和一组查询gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 训练集的随机选择gydF4y2Ba TgydF4y2Ba。其中,gydF4y2Ba TgydF4y2Ba 年代gydF4y2Ba 是一样的gydF4y2Ba 年代gydF4y2Ba和gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba 是一样的gydF4y2Ba 问gydF4y2Ba。在培训期间,每个任务随机选择gydF4y2Ba TgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba 训练故障诊断模型和多次重复任务实现模型元级培训。gydF4y2Ba

因此,我们的目标是培养模型使用gydF4y2Ba TgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba 故障MCA振动样品对每个新类进行分类gydF4y2Ba 问gydF4y2Ba根据一组gydF4y2Ba 年代gydF4y2Ba断层MCB。问题的主要思想的描述跨组件图所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

问题描述的组件故障诊断。gydF4y2Ba

 3.2。深卷积最近邻匹配网络gydF4y2Ba

提出了一种深卷积邻居匹配网络(DC-NNMN)学习支持gydF4y2Ba 年代gydF4y2Ba贴有标签的故障样本,然后在查询故障样本数据集进行分类gydF4y2Ba 问gydF4y2Ba。gydF4y2Ba

如图gydF4y2Ba 3gydF4y2Ba,该模型提出了包含两个部分:嵌入模块gydF4y2Ba fgydF4y2Ba φgydF4y2Ba 和匹配模块gydF4y2Ba ggydF4y2Ba ∅gydF4y2Ba 。在嵌入模块中,我们使用一个卷积网络完成从样本的输入空间映射到特征空间,使用gydF4y2Ba KgydF4y2Ba最近邻居算法完成匹配特征空间的类别空间,从而达到故障分类的任务。gydF4y2Ba (4)gydF4y2Ba fgydF4y2Ba :gydF4y2Ba xgydF4y2Ba ⟶gydF4y2Ba zgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba :gydF4y2Ba zgydF4y2Ba ⟶gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

该模型的结构。gydF4y2Ba

特性的时域振动样品平移不变性;也就是说,某个样本的统计特性可能出现在任何时间。卷积神经网络本地连接和权重共享的特点,所以卷积操作尤其适合处理时域振动样品。如表所示gydF4y2Ba 1gydF4y2Ba,我们采用神经网络与基础课卷积操作嵌入式模块提取每个故障样本的特征信息。因为样品的数量太小,为了防止过度拟合,完全连接层后,传统的卷积操作取消,减少网络模型需要的参数训练。第一层是输入层,输入故障样本的大小gydF4y2Ba lgydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba 。每个后续的卷积操作包括卷积和一批正规化。卷积核的大小gydF4y2Ba 年代gydF4y2Ba 和卷积核的数量gydF4y2Ba ngydF4y2Ba 。激活函数是漏水的ReLU激活函数。此外,第一和第二层添加一个额外的卷积操作之后max-pooling层。前两层的卷积操作如下:gydF4y2Ba (5)gydF4y2Ba 米gydF4y2Ba dgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba _gydF4y2Ba 池gydF4y2Ba WgydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba +gydF4y2Ba bgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba hgydF4y2Ba dgydF4y2Ba =gydF4y2Ba LReLUgydF4y2Ba BNgydF4y2Ba 米gydF4y2Ba dgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ∗gydF4y2Ba 代表卷积操作,gydF4y2Ba WgydF4y2Ba dgydF4y2Ba 和gydF4y2Ba bgydF4y2Ba dgydF4y2Ba 代表卷积内核和偏见,gydF4y2Ba hgydF4y2Ba dgydF4y2Ba 卷积操作的结果,gydF4y2Ba dgydF4y2Ba 代表gydF4y2Ba dgydF4y2Bath层网络。最后两个层gydF4y2Ba (6)gydF4y2Ba hgydF4y2Ba dgydF4y2Ba =gydF4y2Ba LReLUgydF4y2Ba BNgydF4y2Ba WgydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba dgydF4y2Ba +gydF4y2Ba bgydF4y2Ba dgydF4y2Ba 。gydF4y2Ba

美国有线电视新闻网(CNN)的体系结构。gydF4y2Ba

层gydF4y2Ba 象征gydF4y2Ba 操作gydF4y2Ba 参数的大小gydF4y2Ba
1gydF4y2Ba 输入gydF4y2Ba 输入样本gydF4y2Ba 864年gydF4y2Ba
卷积gydF4y2Ba 3×1×64gydF4y2Ba
2gydF4y2Ba Conv1gydF4y2Ba 批正常化gydF4y2Ba - - - - - -gydF4y2Ba
漏水的ReLUgydF4y2Ba 漏水的gydF4y2Ba
3gydF4y2Ba Pool1gydF4y2Ba 马克斯池gydF4y2Ba 2×1gydF4y2Ba
卷积gydF4y2Ba 3×1×64gydF4y2Ba
4gydF4y2Ba Conv2gydF4y2Ba 批正常化gydF4y2Ba - - - - - -gydF4y2Ba
漏水的ReLUgydF4y2Ba 漏水的gydF4y2Ba
5gydF4y2Ba Pool2gydF4y2Ba 马克斯池gydF4y2Ba 2×1gydF4y2Ba
卷积gydF4y2Ba 3×1×64gydF4y2Ba
6gydF4y2Ba Conv3gydF4y2Ba 批正常化gydF4y2Ba - - - - - -gydF4y2Ba
漏水的ReLUgydF4y2Ba 漏水的gydF4y2Ba
卷积gydF4y2Ba 3×1×64gydF4y2Ba
7gydF4y2Ba Conv4gydF4y2Ba 批正常化gydF4y2Ba - - - - - -gydF4y2Ba
漏水的ReLUgydF4y2Ba 漏水的gydF4y2Ba
8gydF4y2Ba 输出gydF4y2Ba 输出特性gydF4y2Ba 216×1×64gydF4y2Ba

通过这种方式,但是卷积操作后,特征向量的大小gydF4y2Ba lgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 获得,可以表示为gydF4y2Ba (7)gydF4y2Ba fgydF4y2Ba xgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

匹配的模块主要是使用深特性描述的故障样本类别为断层构造局部特征空间分类。如果我们直接使用有限的数据来训练一个分类器few-shot学习任务,几乎肯定会过度拟合模型。有成千上万的参数需要优化的神经网络分类器。相反,许多非参数方法更合适。考虑振动故障样本的离散性,然而算法用于验证查询样本集之间的空间距离,这一类支持组,如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

具体来说,每个样本gydF4y2Ba 问gydF4y2Ba 从查询设置gydF4y2Ba 问gydF4y2Ba 是由嵌入模块处理获得gydF4y2Ba fgydF4y2Ba 问gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba kgydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba KgydF4y2Ba最近的邻居在一个类别gydF4y2Ba cgydF4y2Ba 为gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 发现并得到gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba KgydF4y2Ba 。然后,我们计算之间的距离最近的邻居gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba jgydF4y2Ba 和gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 最后添加的距离gydF4y2Ba 米gydF4y2Ba地方特色的gydF4y2Ba KgydF4y2Ba最近的邻居相似的样品gydF4y2Ba 问gydF4y2Ba 设置的查询gydF4y2Ba 问gydF4y2Ba 相匹配的类别gydF4y2Ba cgydF4y2Ba :gydF4y2Ba (8)gydF4y2Ba ggydF4y2Ba fgydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba 因为gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

两个向量之间夹角的余弦值是用来测量它们之间的相关性。余弦距离可以减少绝对值的灵敏度,适合测量离散数据之间的距离。向量的余弦相似性gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba jgydF4y2Ba 和gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba (9)gydF4y2Ba 因为gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

3.3。优化目标gydF4y2Ba

摘要贴上故障样本的数量称为MCB小于20。如果我们直接训练有限数量的标签样本,该模型将不可避免地陷入过度拟合,无法准确分类的缺点。gydF4y2Ba

情景培训机制(gydF4y2Ba 16gydF4y2Ba)已经证明是一种有效的方法来学习转移知识的训练数据集。具体来说,在每个迭代中,我们使用构造训练集构造一个数据结构类似于测试集,所以网络是训练有素的gydF4y2Ba NgydF4y2Ba任务。对于每个任务,有两个输入,即支持组gydF4y2Ba 年代gydF4y2Ba 和查询设置gydF4y2Ba 问gydF4y2Ba 。每个样本的特征信息是通过嵌入式模块的处理,并与正确的类别根据匹配模块。为模型,我们希望,在每个任务,网络可以对样品有良好的分类效果gydF4y2Ba 问gydF4y2Ba ;也就是说,gydF4y2Ba ggydF4y2Ba fgydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 可以匹配正确的类别。网络被认为是一个的输出值为0到1.0这意味着非常不同,而1意味着完全相似。通过这种方式,对于每一个样本gydF4y2Ba 问gydF4y2Ba ,真正的类别是得到的预测值。这个预测的值可以用来建立一个叉损失函数为单个任务;也就是说,gydF4y2Ba (10)gydF4y2Ba lgydF4y2Ba tgydF4y2Ba =gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 日志gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 日志gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba tgydF4y2Ba 代表了gydF4y2Ba tgydF4y2Bath培训任务,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 代表真正的标签gydF4y2Ba 我gydF4y2Bath样本,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 是通过网络获得的预测标签。为gydF4y2Ba NgydF4y2Ba 任务,总损失函数gydF4y2Ba (11)gydF4y2Ba lgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba lgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

在培训过程中,损失函数gydF4y2Ba lgydF4y2Ba 通过逆向转移和梯度下降法最小化。我们采用自适应更新模型的参数估计方法。该算法可以计算出每个参数的自适应学习速率,且收敛速度快。与此同时,它可以纠正问题在其他优化技术,如学习速率的消失,收敛速度慢,或者大的方差高方差的更新造成的损失函数参数。参数更新规则如下:gydF4y2Ba (12)gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba vgydF4y2Ba tgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba vgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ϕgydF4y2Ba tgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba ϕgydF4y2Ba tgydF4y2Ba −gydF4y2Ba μgydF4y2Ba vgydF4y2Ba tgydF4y2Ba ′gydF4y2Ba +gydF4y2Ba εgydF4y2Ba 米gydF4y2Ba tgydF4y2Ba ′gydF4y2Ba 。gydF4y2Ba

在上面的方程中,gydF4y2Ba φgydF4y2Ba 卷积网络参数的表征,gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba 是第一个时刻的平均值的梯度,然后呢gydF4y2Ba vgydF4y2Ba tgydF4y2Ba noncenter方差值的二次矩梯度。在这两个时刻,方差gydF4y2Ba μgydF4y2Ba 模型的学习速率,gydF4y2Ba εgydF4y2Ba 是无穷小少量gydF4y2Ba 10gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba 是亚当的两个参数的优化器。算法的伪代码如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

算法的伪代码。gydF4y2Ba

卷积算法:深附近邻居匹配网络gydF4y2Ba
αgydF4y2Ba =gydF4y2Ba 0.005gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 0.5gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 0.9gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 是查询的数量吗gydF4y2Ba
要求:gydF4y2Ba pgydF4y2Ba tgydF4y2Ba :分配任务gydF4y2Ba
要求:gydF4y2Ba μgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba εgydF4y2Ba =gydF4y2Ba 10gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba :步长hyperparametersgydF4y2Ba
(1)随机初始化gydF4y2Ba φgydF4y2Ba
(2)gydF4y2Ba 而gydF4y2Ba没有完成gydF4y2Ba 做gydF4y2Ba
(3)示例批处理的任务gydF4y2Ba tgydF4y2Ba ∼gydF4y2Ba pgydF4y2Ba tgydF4y2Ba
(4)gydF4y2Ba 对所有gydF4y2Ba tgydF4y2Ba 做gydF4y2Ba
(5)评估gydF4y2Ba ∇gydF4y2Ba φgydF4y2Ba lgydF4y2Ba tgydF4y2Ba fgydF4y2Ba φgydF4y2Ba 关于gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 例子gydF4y2Ba
(6)计算调整参数与亚当:gydF4y2Ba
米gydF4y2Ba tgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba /gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba
vgydF4y2Ba tgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba vgydF4y2Ba tgydF4y2Ba /gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba
ϕgydF4y2Ba tgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba ϕgydF4y2Ba tgydF4y2Ba −gydF4y2Ba μgydF4y2Ba /gydF4y2Ba vgydF4y2Ba tgydF4y2Ba ′gydF4y2Ba +gydF4y2Ba εgydF4y2Ba 米gydF4y2Ba tgydF4y2Ba ′gydF4y2Ba
(7)gydF4y2Ba 结束了gydF4y2Ba
(8)更新:gydF4y2Ba
∇gydF4y2Ba ϕgydF4y2Ba lgydF4y2Ba ←gydF4y2Ba ∇gydF4y2Ba ϕgydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 日志gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 日志gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba
φgydF4y2Ba ←gydF4y2Ba 亚当(gydF4y2Ba ∇gydF4y2Ba ϕgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba εgydF4y2Ba =gydF4y2Ba 10gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba )gydF4y2Ba
(9)gydF4y2Ba 结束时gydF4y2Ba
3.4。基于DC-NNMN故障诊断gydF4y2Ba

该故障诊断方法的流程图如图gydF4y2Ba 4gydF4y2Ba。它主要包括三个步骤:建设的训练数据集,该模型构建和训练,以及故障的测试样本。gydF4y2Ba

在训练数据集建设的步骤,许多不同类别的标签振动故障轴承需要使用样品。根据few-shot学习数据集的设置形式,支持设置gydF4y2Ba TgydF4y2Ba 年代gydF4y2Ba 和查询设置gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba 的gydF4y2Ba CgydF4y2Ba收费方法gydF4y2Ba kgydF4y2Ba枪是随机选择的。gydF4y2Ba

在模型构建和训练的步骤,模型如图gydF4y2Ba 2gydF4y2Ba首先是建立。然后,我们向网络发送数据集提取每一次培训和记录的任务。后gydF4y2Ba NgydF4y2Ba次的培训,参与我们的模型的参数是固定的。gydF4y2Ba

输入支持集gydF4y2Ba 年代gydF4y2Ba 和查询设置gydF4y2Ba 问gydF4y2Ba 网络,网络的终端将分类结果。值得一提的是,在这个阶段,模型的参数将不再被更新;也就是说,通过训练多个任务和参数优化,模型已经拥有的能力分类完全不同gydF4y2Ba CgydF4y2Ba类型错误的样品gydF4y2Ba CgydF4y2Ba收费方法gydF4y2Ba kgydF4y2Ba拍摄样本集。gydF4y2Ba

该方法的流程图。gydF4y2Ba

 4所示。案例研究gydF4y2Ba

在本节中,我们使用的是凯斯西储大学(CWRU)轴承数据集(gydF4y2Ba 20.gydF4y2Ba),轴承振动数据选择想实验平台,和另一个传动装置的数据集gydF4y2Ba 21gydF4y2Ba)为我们的实验证明该方法的可行性。gydF4y2Ba

4.1。数据设置gydF4y2Ba

如图gydF4y2Ba 5gydF4y2Ba,CWRU轴承实验平台包括一个2-horsepower电机(左),扭矩传感器(中间),一个功率计(右)和电子控制设备。这个数据集是一种最常用的基准数据集在故障诊断领域。单点点状缺陷排列在轴承使用电火花加工技术。故障类别包括如果(内圈故障),(外环的缺点),和男朋友(滚动体故障)。同时,故障轴承的位置也不同,这是位于驱动端和风扇端,分别。它可以清楚地看到在图gydF4y2Ba 6gydF4y2Ba负荷,轴承故障的类型和故障大小会造成显著差异在收集到的信号。gydF4y2Ba

CWRU实验平台:(a)物理和(b)原理图。gydF4y2Ba

以下三类故障时域振动样品4的工作条件。gydF4y2Ba

基于上述情况,我们选择不同的轴承的振动条件下样品在两个位置,两种加载条件下,5种故障类别,和四种故障大小。我们建立了模型的训练集80 CWRU轴承故障类别和90每个类别的样本。具体描述如表所示gydF4y2Ba 3gydF4y2Ba,轴承位置包含铁(风扇端)和德(驱动端)和故障类别包含BF(球的错),如果(内圈故障),gydF4y2Ba NgydF4y2Ba(正常),OF@3这意味着故障点是3点钟在轴承外环;OF@6和OF@9都是相同的。gydF4y2Ba

训练数据集的描述。gydF4y2Ba

频率(赫兹)gydF4y2Ba 位置gydF4y2Ba 故障类别(总数)gydF4y2Ba 断层大小(千)gydF4y2Ba 负载(hp)gydF4y2Ba 数量gydF4y2Ba
12gydF4y2Ba 菲gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.007gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 菲gydF4y2Ba 男朋友,如果,OF@3 OF@6 (4)gydF4y2Ba 0.014gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 菲gydF4y2Ba 男朋友,如果和OF@6 (3)gydF4y2Ba 0.021gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 菲gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.007gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 菲gydF4y2Ba 男朋友,如果和OF@3 (3)gydF4y2Ba 0.014gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 菲gydF4y2Ba 男朋友,如果和OF@3 (3)gydF4y2Ba 0.021gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.007gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友,如果和OF@6 (3)gydF4y2Ba 0.014gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.021gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友如果(2)gydF4y2Ba 0.028gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.007gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友,如果和OF@6 (3)gydF4y2Ba 0.014gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.021gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba 男朋友如果(2)gydF4y2Ba 0.028gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
48gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.007gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
48gydF4y2Ba 德gydF4y2Ba 男朋友,如果和OF@6 (3)gydF4y2Ba 0.014gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
48gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.021gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba
48gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.007gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
48gydF4y2Ba 德gydF4y2Ba 男朋友,如果和OF@6 (3)gydF4y2Ba 0.014gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
48gydF4y2Ba 德gydF4y2Ba 男朋友,如果OF@3、OF@6 OF@12 (5)gydF4y2Ba 0.021gydF4y2Ba 3gydF4y2Ba 90年gydF4y2Ba
12gydF4y2Ba 德gydF4y2Ba NgydF4y2Ba(1)gydF4y2Ba - - - - - -gydF4y2Ba 0gydF4y2Ba 90年gydF4y2Ba

测试步骤期间,两个不同的振动数据从不同的机械部件将验证模型。一个是轴承故障数据,这是我们收集的自建轴承实验平台,如图gydF4y2Ba 7gydF4y2Ba。另一个是传动装置故障数据gydF4y2Ba 21gydF4y2Ba]。特定的数据设置如表所示gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

(一)想实验平台和(b)齿轮箱实验平台。gydF4y2Ba

测试数据集的描述。gydF4y2Ba

组件gydF4y2Ba 故障类别gydF4y2Ba 长度gydF4y2Ba 数量/类型gydF4y2Ba
轴承gydF4y2Ba N,男朋友,如果BgydF4y2Ba 864年gydF4y2Ba 90年gydF4y2Ba
齿轮gydF4y2Ba Chip5a、裂纹、卫生、失踪和碎裂gydF4y2Ba 864年gydF4y2Ba 90年gydF4y2Ba

我们选择是正常的轴承故障类别(gydF4y2Ba NgydF4y2Ba),球断层(BF),外环故障(的),内圈故障(如果),和一个球组成的复合故障故障和外圈故障(B)。齿轮裂纹故障类别我们选择,健康,失踪,弄碎,和chip5a 5磨损程度的一种手段。gydF4y2Ba

 4.2。实验结果和分析gydF4y2Ba 4.2.1。准备第1部分故障分类实验结果在<斜体> C < /斜体>方法K <斜体> < /斜体>拍摄问题gydF4y2Ba

本节中的所有实验围绕的分类任务gydF4y2Ba CgydF4y2Ba收费方法gydF4y2Ba KgydF4y2Ba拍摄的问题。在训练阶段,我们提取5个不同类别的故障数据为每一个任务,每个故障类别包含1、3、5的样品。在每个任务中,每个类别的故障样本提供15验证数据查询集。换句话说,对于每个5维1次任务,它包含75查询支持样品和样本。gydF4y2Ba

在测试阶段,轴承数据集和验证数据集。实验结果的平均值多个实验结果,如图gydF4y2Ba 8gydF4y2Ba。当想轴承数据集上的测试模型,故障分类精度5维1次,5维3-shot, 5维5岁,分别为82.63%,92.60%和94.79%。也就是说,我们只需要微小带安全标签的数据时为每个类别模型训练;在组件故障诊断模型具有满意的泛化性能,当测试集具有相同的类别空间和不同的概率分布。gydF4y2Ba

故障分类精度使用训练模型下的新的故障类别。gydF4y2Ba

此外,我们还可以看到,当传动装置数据集上的测试模型,故障分类精度5维1次,5维3-shot, 5维5岁,分别为82.19%,91.28%和93.00%。考虑到测试组的三跨组件故障诊断实验不同的类别空间和不同的概率分布,虽然分类精度低于想轴承数据集,结果也是合理和有利的。gydF4y2Ba

 4.2.2。第2部分故障分类不同模型的结果gydF4y2Ba

在本节中,我们比较本文方法的性能与几个在轴承故障诊断中最常用的模型用更少的标签样本,反映了该方法的优越性。模型包括WDCNN相比,CNN_SVM SAE和SS-GAN。我们给5、50或100标记故障样本训练模型和测试查询集。所有的样品都是选自想实验平台,然后我们获得故障分类,通过多个实验结果如表所示gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

故障分类不同模型的结果。gydF4y2Ba

可以看出,该方法精度最高的三个训练集。只有五个已知的故障样本,传统模式的最佳表现是SAE模型,但其故障分类精度仅为58.07%,而该方法的故障分类精度齿轮数据集是82.19%和轴承数据的准确性为82.63%。gydF4y2Ba

我们知道,对于大多数神经网络,它是必要的培训与大量的标记数据有很好的分类精度。因此,当只有少量的带安全标签的数据时,直接使用传统的模型是不合适的。该方法在本文中表现良好在小标签样本。随着标签样本数量的增加,故障分类精度也得到了改善。当使用100标签样本,5维20-shot,传动装置的故障分类精度可以达到99.62%。gydF4y2Ba

 4.2.3。第3部分的影响不同的K <斜体> < /斜体>实验结果gydF4y2Ba

因为模型的匹配模块提出了不需要调整参数,进行网络训练,只有最近邻数gydF4y2Ba KgydF4y2Ba 会影响分类精度。因此,在本节中,所产生的影响gydF4y2Ba KgydF4y2Ba 对分类结果进行了讨论。不同的gydF4y2Ba KgydF4y2Ba =gydF4y2Ba 1、3、5、10gydF4y2Ba 选择分别进行比较。通过实验获得的分类结果如表所示gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

尝试不同的结果gydF4y2Ba KgydF4y2Ba。gydF4y2Ba

模型gydF4y2Ba 5维5岁gydF4y2Ba
KgydF4y2Ba= 1gydF4y2Ba KgydF4y2Ba= 3gydF4y2Ba KgydF4y2Ba= 5gydF4y2Ba KgydF4y2Ba= 10gydF4y2Ba
准确性(齿轮)gydF4y2Ba 90.82gydF4y2Ba 93.00gydF4y2Ba 94.48gydF4y2Ba 93.63gydF4y2Ba
准确性(熊)gydF4y2Ba 92.27gydF4y2Ba 94.79gydF4y2Ba 95.00gydF4y2Ba 95.51gydF4y2Ba

从表gydF4y2Ba 6gydF4y2Ba我们可以看到,最近邻算法,这并不是说更大的价值gydF4y2Ba KgydF4y2Ba 是,分类精度越好。相对于不同的数据集的最优值gydF4y2Ba KgydF4y2Ba 各不相同。在本文中,当gydF4y2Ba KgydF4y2Ba =gydF4y2Ba 5gydF4y2Ba 齿轮上的数据集,该模型实现的最好结果93.63%;当gydF4y2Ba KgydF4y2Ba =gydF4y2Ba 10gydF4y2Ba 轴承数据集,95.51%的模型获得最佳结果。这是由于传动装置数据离散性更高,数据分布相对分散,更高gydF4y2Ba KgydF4y2Ba 值会降低分类结果的准确性。虽然轴承数据的分布更加紧凑,它可以促进与提高分类精度gydF4y2Ba KgydF4y2Ba 。gydF4y2Ba

 5。结论gydF4y2Ba

在这项研究中,一个深卷积邻居匹配网络提出了基于few-shot学习,它可以解决跨组件故障诊断与小标签样本。故障特征的提取使用卷积网络从一个小样本数据集。然后gydF4y2Ba KgydF4y2Ba最近邻居算法采用匹配未知的样品标签的数据集来实现故障分类的新类别。我们证明了该方法的优越性,使用三个数据集不同的组件和与四个流行的网络模型进行比较。本文方法为解决这个问题提供了一个好主意在组件的故障诊断与小标签样本。gydF4y2Ba

 数据可用性gydF4y2Ba

本文的实验数据都来自凯斯西轴承数据中心;轴承振动数据从想实验平台,选择另一个传动装置在本文指定数据集。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 作者的贡献gydF4y2Ba

Pengfei徐导致的写作手稿,引用,分析实验结果和数据解释。胡安徐的研究思想,研究方向,研究收购,和研究设计。Lei史导致文档检索、研究内容、算法流程,数据分析,算法分析,写作手稿。Zhenchun魏导致了实验设计,算法实现,实验分析,手稿审查这个手稿。徐叮了实验算法。gydF4y2Ba

 确认gydF4y2Ba

这项研究是由中国国家重点研究和发展计划(没有。2018 yfb2000505),中国国家自然科学基金会(没有。61806067),安徽省科技重大项目(没有。17030901047)。gydF4y2Ba

 GahlotgydF4y2Ba 年代。gydF4y2Ba ReddygydF4y2Ba s . r . N。gydF4y2Ba 库马尔gydF4y2Ba D。gydF4y2Ba 回顾智能健康监测方法的调查分析,提出框架gydF4y2Ba IEEE物联网gydF4y2Ba 2019年gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 2116年gydF4y2Ba 2127年gydF4y2Ba 10.1109 / jiot.2018.2872389gydF4y2Ba 2 - s2.0 - 85054247246gydF4y2Ba 黄gydF4y2Ba W。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 滚动轴承性能退化评估基于卷积稀疏结合学习gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 17834年gydF4y2Ba 17846年gydF4y2Ba 10.1109 / access.2019.2893277gydF4y2Ba 2 - s2.0 - 85061811427gydF4y2Ba 高gydF4y2Ba Z。gydF4y2Ba CecatigydF4y2Ba C。gydF4y2Ba 丁gydF4y2Ba s . X。gydF4y2Ba 故障诊断和容错techniques-Part我的调查:与基于模型的故障诊断和ieee方法gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2015年gydF4y2Ba 62年gydF4y2Ba 6gydF4y2Ba 3757年gydF4y2Ba 3767年gydF4y2Ba 10.1109 / tie.2015.2417501gydF4y2Ba 2 - s2.0 - 84929376682gydF4y2Ba LeigydF4y2Ba Y。gydF4y2Ba 林gydF4y2Ba J。gydF4y2Ba 左gydF4y2Ba m·J。gydF4y2Ba 他gydF4y2Ba Z。gydF4y2Ba 行星齿轮箱的状态监测和故障诊断:审查gydF4y2Ba 测量gydF4y2Ba 2014年gydF4y2Ba 48gydF4y2Ba 292年gydF4y2Ba 305年gydF4y2Ba 10.1016 / j.measurement.2013.11.012gydF4y2Ba 2 - s2.0 - 84890044969gydF4y2Ba 刘gydF4y2Ba R。gydF4y2Ba 杨gydF4y2Ba B。gydF4y2Ba f.t.gydF4y2Ba E。gydF4y2Ba 程ydF4y2Ba X。gydF4y2Ba 旋转机械故障诊断的人工智能:复习一下gydF4y2Ba 机械系统和信号处理gydF4y2Ba 2018年gydF4y2Ba 108年gydF4y2Ba 33gydF4y2Ba 47gydF4y2Ba 10.1016 / j.ymssp.2018.02.016gydF4y2Ba 2 - s2.0 - 85042943940gydF4y2Ba 赵gydF4y2Ba R。gydF4y2Ba 杨ydF4y2Ba R。gydF4y2Ba 程ydF4y2Ba Z。gydF4y2Ba 毛gydF4y2Ba K。gydF4y2Ba 王gydF4y2Ba P。gydF4y2Ba 高gydF4y2Ba r . X。gydF4y2Ba 深度学习及其应用机械健康监测gydF4y2Ba 机械系统和信号处理gydF4y2Ba 2019年gydF4y2Ba 115年gydF4y2Ba 213年gydF4y2Ba 237年gydF4y2Ba 10.1016 / j.ymssp.2018.05.050gydF4y2Ba 2 - s2.0 - 85048280939gydF4y2Ba 张gydF4y2Ba Q。gydF4y2Ba 杨gydF4y2Ba l . T。gydF4y2Ba 程ydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba P。gydF4y2Ba 大数据的深度学习调查gydF4y2Ba 信息融合gydF4y2Ba 2018年gydF4y2Ba 42gydF4y2Ba 146年gydF4y2Ba 157年gydF4y2Ba 10.1016 / j.inffus.2017.10.006gydF4y2Ba 2 - s2.0 - 85033462391gydF4y2Ba 陆gydF4y2Ba W。gydF4y2Ba 梁gydF4y2Ba B。gydF4y2Ba 程gydF4y2Ba Y。gydF4y2Ba 孟gydF4y2Ba D。gydF4y2Ba 杨gydF4y2Ba J。gydF4y2Ba 张gydF4y2Ba T。gydF4y2Ba 深的基于模型的故障诊断领域适应gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2017年gydF4y2Ba 64年gydF4y2Ba 3gydF4y2Ba 2296年gydF4y2Ba 2305年gydF4y2Ba 10.1109 / tie.2016.2627020gydF4y2Ba 2 - s2.0 - 85014996563gydF4y2Ba 温gydF4y2Ba lgydF4y2Ba 高gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 一个新的深度转移学习基于稀疏auto-encoder故障诊断gydF4y2Ba IEEE系统,人,和控制论:系统gydF4y2Ba 2019年gydF4y2Ba 49gydF4y2Ba 1gydF4y2Ba 136年gydF4y2Ba 144年gydF4y2Ba 10.1109 / tsmc.2017.2754287gydF4y2Ba 2 - s2.0 - 85030792766gydF4y2Ba 挂gydF4y2Ba Q。gydF4y2Ba 杨gydF4y2Ba J。gydF4y2Ba 兴gydF4y2Ba lgydF4y2Ba 滚动轴承的诊断基于高维不平衡数据的分类gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 79159年gydF4y2Ba 79172年gydF4y2Ba 10.1109 / access.2019.2919406gydF4y2Ba 2 - s2.0 - 85069055126gydF4y2Ba 卡布瑞拉gydF4y2Ba D。gydF4y2Ba 桑丘gydF4y2Ba F。gydF4y2Ba 长gydF4y2Ba J。gydF4y2Ba 生成对抗网络选择方法极其不平衡的往复式机械的故障诊断gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 70643年gydF4y2Ba 70653年gydF4y2Ba 10.1109 / access.2019.2917604gydF4y2Ba 2 - s2.0 - 85067390583gydF4y2Ba 赵gydF4y2Ba D。gydF4y2Ba 刘gydF4y2Ba F。gydF4y2Ba 孟gydF4y2Ba H。gydF4y2Ba 轴承故障诊断基于一维表示的可切换的规范化SSGAN振动信号作为输入gydF4y2Ba 传感器gydF4y2Ba 2019年gydF4y2Ba 19gydF4y2Ba 9gydF4y2Ba 2000年gydF4y2Ba 10.3390 / s19092000gydF4y2Ba 2 - s2.0 - 85065489061gydF4y2Ba 澳网gydF4y2Ba 一个。gydF4y2Ba BartunovgydF4y2Ba 年代。gydF4y2Ba BotvinickgydF4y2Ba M。gydF4y2Ba 一次性memory-augmented神经网络学习gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2016年gydF4y2Ba https://arxiv.org/abs/1605.06065gydF4y2Ba MunkhdalaigydF4y2Ba T。gydF4y2Ba 在香港gydF4y2Ba Y。gydF4y2Ba 元网络gydF4y2Ba 美国第34国际会议上机器学习gydF4y2Ba 2017年8月gydF4y2Ba 澳大利亚悉尼gydF4y2Ba 2554年gydF4y2Ba 2563年gydF4y2Ba 格雷戈里gydF4y2Ba K。gydF4y2Ba 理查德。gydF4y2Ba Z。gydF4y2Ba RuslangydF4y2Ba 年代。gydF4y2Ba 暹罗一次性图像识别的神经网络gydF4y2Ba 美国第32国际会议上机器学习gydF4y2Ba 2015年7月gydF4y2Ba 法国里尔gydF4y2Ba VinyalsgydF4y2Ba O。gydF4y2Ba BlundellgydF4y2Ba C。gydF4y2Ba LillicrapgydF4y2Ba T。gydF4y2Ba KavukcuoglugydF4y2Ba K。gydF4y2Ba WierstragydF4y2Ba D。gydF4y2Ba 一次学习的匹配网络gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2017年gydF4y2Ba https://arxiv.org/abs/1606.04080gydF4y2Ba 杰克gydF4y2Ba 年代。gydF4y2Ba SwerskygydF4y2Ba K。gydF4y2Ba 泽梅尔gydF4y2Ba R。gydF4y2Ba 典型的网络few-shot学习gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2017年gydF4y2Ba https://arxiv.org/abs/1703.05175gydF4y2Ba 芬恩gydF4y2Ba C。gydF4y2Ba AbbeelgydF4y2Ba P。gydF4y2Ba 莱文gydF4y2Ba 年代。gydF4y2Ba Model-agnostic元学习深层网络的快速适应gydF4y2Ba 美国第34国际会议上机器学习gydF4y2Ba 2017年8月gydF4y2Ba 澳大利亚悉尼gydF4y2Ba 封面gydF4y2Ba T。gydF4y2Ba 哈特gydF4y2Ba P。gydF4y2Ba 最近邻模式分类gydF4y2Ba IEEE信息理论gydF4y2Ba 1967年gydF4y2Ba 13gydF4y2Ba 1gydF4y2Ba 21gydF4y2Ba 27gydF4y2Ba 10.1109 / tit.1967.1053964gydF4y2Ba 2 - s2.0 - 84926662675gydF4y2Ba LeigydF4y2Ba Y。gydF4y2Ba 贾gydF4y2Ba F。gydF4y2Ba 林gydF4y2Ba J。gydF4y2Ba 兴gydF4y2Ba 年代。gydF4y2Ba 丁gydF4y2Ba s . X。gydF4y2Ba 学习使用无监督功能的智能故障诊断方法对机械大数据gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2016年gydF4y2Ba 63年gydF4y2Ba 5gydF4y2Ba 3137年gydF4y2Ba 3147年gydF4y2Ba 10.1109 / tie.2016.2519325gydF4y2Ba 2 - s2.0 - 84963934455gydF4y2Ba 曹gydF4y2Ba P。gydF4y2Ba 张gydF4y2Ba 年代。gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba Preprocessing-free齿轮故障诊断使用小型数据集与深度学习卷积神经网络传输gydF4y2Ba IEEE访问gydF4y2Ba 2017年gydF4y2Ba 6gydF4y2Ba 26241年gydF4y2Ba 26253年gydF4y2Ba 10.1109 / ACCESS.2018.2837621gydF4y2Ba 2 - s2.0 - 85047001622gydF4y2Ba