小样本故障诊断存在的问题及发展方向

最新推荐文章于 2024-05-27 09:39:32 发布

哥廷根数学学派2023

最新推荐文章于 2024-05-27 09:39:32 发布

阅读量1k

点赞数 2

文章标签：机器学习人工智能深度学习

本文链接：https://blog.csdn.net/2301_78829506/article/details/131736913

版权

首先在实际生产过程中，数据往往难以收集，小样本条件下的故障诊断是有一定的现实意义的。

（1）从数据生成角度看，深度生成模型都需要大量的计算资源，模型难以训练。而且数据生成的效果依赖充足的真实数据，当真实数据数不足或者特征不明显时，生成效果较差。

（2）从辅助数据集角度看，迁移学习和元学习旨在将相关的辅助数据集知识应用到目标域中，只需要很少的目标数据就可以训练得到一个性能良好的分类模型。但是当辅助数据集与目标数据集相似程度不足或者辅助数据不充足时，甚至会发生负迁移问题。

（3）从分类模型角度看，需要分类模型从少量数据中提取更多的故障信息，以达到准确分类的目的，但是少量的数据更容易发生过拟合现象。

一些发展方向

首先，现有的基于数据的方法都是从数据生成角度解决小样本问题，忽略了生成样本与真实样本之间的差异，即生成样本包含的故障信息一定少于真实样本，也忽略了不同的特征对分类模型的影响不同。因此，从不同样本或者不同特征具有不同的重要性入手，可以生成包含重要特征的样本，也可以在分类模型训练时，区分重要样本和不重要样本，并分配不同的注意力。注意力机制的基本思想是从原始的数据中找到它们之间的关联性，然后根据需要突出某些重要的特征，即让机器去感知数据中更重要的部分。虽然基于注意力机制的方法并不是针对小样本问题而设计的，但是其原理让机器注意更重要的信息，有望用于小样本的故障诊断。

其次，大部分的小样本故障诊断方法都是聚焦于单模态数据，包含的信息有限。因此可以考虑从不同数据类型出发，利用多模态数据进行故障诊断。在生产中，虽然故障样本较为稀少，但是可以通过布置不同类型或者不同位置的传感器，获得多源多模态数据。这种数据包含的故障信息较单模态数据更加全面、更加广泛，分类模型也可以学习到更多的故障特征。

最后，大多数小样故障诊断的模型都是建立在欧几里德空间，对于非欧几里德数据有所忽视，而图数据作一种非欧几里德数据，包含更多的信息。小样本的故障诊断因为样本的缺乏而导致分类效果不佳，如果能从图数据中提取更多的故障信息，则可以建立一个更加可靠的模型。图神经网络作为一种新兴的神经网络，常用于对图数据的建模和分析。在小样本轴承故障诊断中利用图数据建模有两大优势：(1)图数据包含的信息多于欧式数据，同时包含节点信息和关系信息；(2)在实际的工业过程中传感器信号及其相互关系可以用节点和边的形式表示为图数据。