科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前机器学习技术已被广泛应用于工业智能故障诊断中,但其成功应用的前提条件是能够获取到充足的含标签故障数据以对机器学习模型进行训练.实际工业场景中,由于设备常运行于正常状态,故障数据的获取与标注成本巨大,可能无法达到模型训练的需求.现有少样本诊断方法通常依赖于额外的有标签数据,无法克服工业场景下的数据采集与标注局限.针对该问题,本文挖掘关键时序依赖特征以及专家先验知识与故障诊断任务之间的内在关联,提出了一种知识自监督深度表征学习方法以实现少样本故障诊断.该方法设计了一个掩码信号重构与先验特征预测多任务联合的模型预训练策略,利用与目标设备类似设备积累的海量历史无标签数据对工业智能故障诊断模型中的特征提取器模型进行预训练,使得模型在无需额外标注数据的前提下,提取具有专家先验知识引导的时序变化模式,从而获取高泛化故障表征能力.通过上述基于知识自监督表征的预训练方法,在诊断过程中仅需利用目标设备的少量有标签故障样本对模型的全局参数进行微调,从而克服模型对有标签样本的依赖性难题.本文通过一个跨数据集的故障诊断实验来模拟跨设备的少样本故障诊断场景,验证了本文所提方法在少样本场景下的有效性.
- 单位
