本發(fā)明涉及機器學習和故障診斷，特別是涉及一種基于遷移學習的新設(shè)備快速故障診斷方法。

背景技術(shù)：

1、設(shè)備故障診斷是制造業(yè)中的一項關(guān)鍵技術(shù)，旨在根據(jù)設(shè)備運行數(shù)據(jù)準確識別出故障類型，為設(shè)備維修保養(yǎng)提供支持。隨著工業(yè)自動化和智能制造的不斷發(fā)展，傳統(tǒng)的人工經(jīng)驗驅(qū)動的故障診斷方法越來越無法滿足實際需求，亟需基于數(shù)據(jù)和智能算法的自動化故障診斷技術(shù)。

2、目前，數(shù)據(jù)驅(qū)動的故障診斷技術(shù)主要分為基于規(guī)則的和基于機器學習的兩大類?；谝?guī)則的方法需要大量的領(lǐng)域知識和人工經(jīng)驗總結(jié)而成的規(guī)則集，其建模過程成本高且難以及時更新。而基于機器學習的方法(如支持向量機、神經(jīng)網(wǎng)絡(luò)等)雖然具有較好的泛化能力，但需要大量標注的故障數(shù)據(jù)訓練模型，對于新開發(fā)的設(shè)備而言獲取這些數(shù)據(jù)的成本極高，成為了應用的瓶頸。

3、此外，現(xiàn)有的遷移學習方法通常直接將先前任務的模型參數(shù)或特征知識遷移至新任務，泛化能力有限，難以充分利用已有設(shè)備的故障診斷知識。同時也缺乏高效的在線學習和知識共享機制，導致模型無法持續(xù)跟蹤和適應設(shè)備工作環(huán)境的變化。因此，如何基于少量數(shù)據(jù)快速構(gòu)建并持續(xù)優(yōu)化新設(shè)備的故障診斷模型，成為了亟待解決的關(guān)鍵技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)的問題，本發(fā)明實施例提供了一種基于遷移學習的新設(shè)備快速故障診斷方法。所述技術(shù)方案如下：

2、一方面，提供了一種基于遷移學習的新設(shè)備快速故障診斷方法，包括以下步驟：

3、(1)采用無監(jiān)督的變分自編碼器網(wǎng)絡(luò)或其變體，利用新舊設(shè)備的正常運行數(shù)據(jù)進行自監(jiān)督預訓練，學習設(shè)備數(shù)據(jù)的隱含特征表示；

4、(2)使用域?qū)股窠?jīng)網(wǎng)絡(luò)將上述學習到的新舊設(shè)備特征對齊到同一特征空間；

5、(3)在多個已有設(shè)備的故障數(shù)據(jù)集上，預訓練一個基于元學習框架的元學習器網(wǎng)絡(luò)，使其能夠?qū)W習高效遷移策略以適應新設(shè)備故障診斷任務；

6、(4)在新設(shè)備上使用上述元學習器遷移訓練故障診斷模型，并結(jié)合少量新設(shè)備標注故障數(shù)據(jù)進行微調(diào)，獲得性能良好的故障診斷模型；

7、(5)設(shè)置診斷模型的在線性能評估指標，并基于該指標采用交互式主動學習策略，迭代優(yōu)化診斷模型；

8、(6)在云端構(gòu)建集中式故障模式知識庫，各設(shè)備端上傳新采集故障數(shù)據(jù)至云端，云端據(jù)此持續(xù)更新故障模型，并周期性將更新模型下發(fā)至設(shè)備端，實現(xiàn)分布式知識共享和模型在線持續(xù)學習；

9、(7)將訓練好的故障診斷模型部署至生產(chǎn)環(huán)境中的邊緣設(shè)備或云端，用于根據(jù)設(shè)備實時運行數(shù)據(jù)快速診斷設(shè)備故障類型。

10、進一步地，步驟(1)中，對于時序數(shù)據(jù)形式的設(shè)備運行數(shù)據(jù)，使用卷積變分自編碼器或時序變分自編碼器作為編碼器網(wǎng)絡(luò)。

11、進一步地，步驟(3)中，所述元學習器網(wǎng)絡(luò)基于模型無關(guān)的梯度下降元學習算法或基于模型無關(guān)的半監(jiān)督元學習算法訓練得到。

12、進一步地，步驟(5)中，所述交互式主動學習策略采用最大熵策略、最小冗余策略、最大預測熵策略或最大模型變化策略等。

13、進一步地，步驟(6)中，云端的集中式故障模式知識庫基于聯(lián)合訓練或知識蒸餾等方式更新。

14、進一步地，在步驟(4)之后，還包括以下步驟：對診斷模型進行剪枝、量化或知識蒸餾，以減小其計算和存儲開銷，從而實現(xiàn)邊緣部署。

15、進一步地，在步驟(7)之后，還包括以下步驟：將診斷結(jié)果反饋給維修人員，指導故障維修和設(shè)備運維工作。

16、另一方面，提供了一種新設(shè)備快速故障診斷系統(tǒng)，包括：存儲器，用于存儲計算機程序；處理器，用于執(zhí)行計算機程序以實現(xiàn)所述的新設(shè)備快速故障診斷方法。

17、另一方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)所述的新設(shè)備快速故障診斷方法。

18、另一方面，提供了一種計算機程序產(chǎn)品，包括所述的計算機可讀存儲介質(zhì)。

19、本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：

20、1.快速構(gòu)建新設(shè)備故障診斷模型

21、通過自監(jiān)督學習、遷移學習和元學習等技術(shù)的結(jié)合，本發(fā)明可以利用已有設(shè)備的故障診斷知識快速構(gòu)建出新設(shè)備的初始診斷模型，極大縮短了模型研發(fā)周期，降低了標注數(shù)據(jù)需求。

22、2.持續(xù)提升診斷模型性能

23、采用交互式主動學習策略和分布式在線學習機制，本發(fā)明可以在實際應用過程中持續(xù)優(yōu)化診斷模型，使其不斷適應新的工作環(huán)境和故障模式，確保長期的高精度診斷性能。

24、3.實現(xiàn)設(shè)備故障知識共享

25、本發(fā)明通過云端構(gòu)建集中式的故障模式知識庫，各設(shè)備端可上傳新故障數(shù)據(jù)并定期獲取更新模型，形成了高效的設(shè)備故障知識共享通路，互利共贏。

26、4.提高故障診斷效率

27、與傳統(tǒng)的人工經(jīng)驗診斷方法相比，本發(fā)明可根據(jù)設(shè)備實時運行數(shù)據(jù)快速自動診斷故障類型，為維修保養(yǎng)工作提供高效支持，大幅提升故障處理效率。

28、5.可擴展至其他領(lǐng)域

29、本發(fā)明所提出的技術(shù)方案不僅適用于設(shè)備故障診斷，其創(chuàng)新的遷移增量學習范式也可推廣應用于其他領(lǐng)域的異構(gòu)數(shù)據(jù)分類、知識遷移與持續(xù)學習任務。

30、6.低成本高收益

31、由于避免了大量標注故障數(shù)據(jù)的需求，本發(fā)明的研發(fā)和應用成本較低。而通過提高故障診斷精度和效率，可為企業(yè)創(chuàng)造經(jīng)濟價值，具有良好的社會和經(jīng)濟效益。

32、總之，本發(fā)明針對新設(shè)備快速故障診斷的實際需求，提出了一種創(chuàng)新的多技術(shù)融合解決方案，具有顯著的技術(shù)先進性和應用價值。

技術(shù)特征：

1.一種基于遷移學習的新設(shè)備快速故障診斷方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(1)中，對于時序數(shù)據(jù)形式的設(shè)備運行數(shù)據(jù)，使用卷積變分自編碼器或時序變分自編碼器作為編碼器網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(3)中，所述元學習器網(wǎng)絡(luò)基于模型無關(guān)的梯度下降元學習算法或基于模型無關(guān)的半監(jiān)督元學習算法訓練得到。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(5)中，所述交互式主動學習策略采用最大熵策略、最小冗余策略、最大預測熵策略或最大模型變化策略。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(6)中，云端的集中式故障模式知識庫基于聯(lián)合訓練或知識蒸餾的方式更新。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟(4)之后，還包括以下步驟：對診斷模型進行剪枝、量化或知識蒸餾，以減小其計算和存儲開銷，從而實現(xiàn)邊緣部署。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟(7)之后，還包括以下步驟：將診斷結(jié)果反饋給維修人員，指導故障維修和設(shè)備運維工作。

8.一種新設(shè)備快速故障診斷系統(tǒng)，其特征在于，包括：存儲器，用于存儲計算機程序；處理器，用于執(zhí)行計算機程序以實現(xiàn)權(quán)利要求1-7任一所述的新設(shè)備快速故障診斷方法。

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7任一所述的新設(shè)備快速故障診斷方法。

10.一種計算機程序產(chǎn)品，其特征在于，包括權(quán)利要求9所述的計算機可讀存儲介質(zhì)。

技術(shù)總結(jié)
本發(fā)明公開了一種基于遷移學習的新設(shè)備快速故障診斷方法。該方法首先利用變分自編碼器對新舊設(shè)備正常運行數(shù)據(jù)進行自監(jiān)督特征表示學習，并將特征對齊到同一空間；然后在已有設(shè)備故障數(shù)據(jù)集上預訓練基于元學習的多源遷移模型，快速獲得新設(shè)備的初始診斷模型；再結(jié)合少量標注數(shù)據(jù)進行微調(diào)，并采用交互式主動學習策略持續(xù)優(yōu)化模型。同時，通過云端構(gòu)建集中式故障知識庫，實現(xiàn)端云協(xié)同的分布式在線學習，使模型能夠持續(xù)適應新環(huán)境。該方法極大提高了新設(shè)備故障診斷模型的研發(fā)效率，有效解決了數(shù)據(jù)匱乏問題，并實現(xiàn)了設(shè)備間故障知識共享，具有顯著的應用價值。

技術(shù)研發(fā)人員：穆杞梓,饒?zhí)鞓s,孫國棟,王宇飛
受保護的技術(shù)使用者：國能數(shù)智科技開發(fā)（北京）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17