Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis

基于故障描述的零样本工业故障诊断

摘要

针对模型训练中没有目标故障样本的具有挑战性的故障诊断问题进行了研究。这种情况很少在工业研究中被研究。但是，对于目标故障，大量的故障样本不可用是一个普遍存在的问题，这限制了传统的数据驱动方法在实际应用中的成功。在这里，我们将零样本学习的思想引入到工业领域，并提出了基于故障描述的属性转移方法来解决零样本故障诊断问题。具体来说，该方法学习使用人为定义的故障描述来确定故障类别，而不是采集故障样本。定义的描述由故障的任意属性组成，包括故障的位置、故障的后果、甚至故障的原因等。然后，根据定义的故障描述对目标故障进行诊断，不需要任何额外的基于数据的训练。该方法采用监督主成分分析方法提取属性相关特征，提供有效的属性学习。从理论上分析和解释了基于故障描述方法的可行性。在基准的 tennessee-eastman 过程和实际的热电厂过程上设计并进行了零样本故障诊断实验，验证了该方法的有效性。结果表明，在没有样本的情况下，确实有可能诊断目标故障。

论文背景

在日常过程操作中出现的目标故障没有或几乎没有数据可用。考虑到许多故障可能具有破坏性并造成巨大损失，很少有工厂会允许故障发生并收集样本来训练故障诊断系统[11]。机器通常经历一个从健康到故障的逐步退化过程，这也表明为数据驱动方法获得足够的故障样本是耗时和昂贵的。

论文解决的问题

采用基于故障描述的属性转移方法，研究了不提供目标故障类别训练样本的故障诊断方案。该方法不再采用传统的诊断范式，而是对每个故障提供由任意属性组成的故障描述作为辅助信息。在故障样本层和故障类别层之间嵌入故障描述层。基于故障描述层的细粒度属性和类共享属性，构建级联诊断系统，将训练故障的属性知识转化为目标故障，进行零样本故障诊断。在基于故障描述的方法中，采用监督主成分分析作为特征提取器，为更有效的学习过程提供属性相关特征。

文章贡献

• 首次提出并解决了零样本故障诊断问题，即在没有样本的情况下对目标域故障进行诊断
• 提出了一种基于故障描述的零样本诊断方法，将故障描述作为辅助知识源，实现了从训练故障到目标故障的属性转换。
  

诊断数据集

Tennessee-Eastman process田纳西-伊斯曼法故障数据集

结论

考虑到故障样本采集的困难，本文对零样本故障诊断任务进行了建模。设计了基于属性转移的故障描述方法，首次尝试在没有样本的情况下诊断目标故障。与基准数据集上的少样本学习方法相比，该方法具有无需目标故障样本的优点。对实际火电厂过程的高精度分析和可行性分析也表明，通过对故障的属性描述设计良好，确实可以实现零样本诊断。在今后的研究中还有许多工作可以开发和改进。例如: (1)零样本诊断的解决方案，可以考虑使用一些流行的生成式模型，即生成式对抗网络，根据目标故障的故障描述生成样本; (2)本文采用监督主成分分析作为零样本诊断的基本方法提取属性相关特征，可以开发出更有意义、更具解释性的方法来更好地完成任务。