[发明专利]使用条件模型来迁移故障样本以用于机器状况监视

说明书

一种用于预测机器中的故障模式的方法，包括：从来自源机器和目标机器的一个或多个独立传感器的数据样本学习(31)针对源机器和目标机器中每一个的多变量高斯分布，使用针对独立传感器的多变量高斯分布从来自源机器和目标机器的一个或多个相关传感器的数据样本学习(32)针对源机器和目标机器中每一个的多变量高斯条件分布，使用针对源机器和目标机器的多变量高斯分布，将针对独立传感器的数据样本从源机器变换(33)到目标机器，以及使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布，将针对相关传感器的数据样本从源机器变换(34)到目标机器。

背景技术

技术领域

本公开的实施例针对用于机器状况监视的故障诊断的方法和系统。

相关技术的讨论

近年来，数据驱动的方法在机器状况监视的故障诊断中已经受到越来越多的关注。与基于规则的专家系统相反，数据驱动的方法不需要机器的广博知识，使得易于将相同的原理应用于具有很少适配的不同应用。此外，数据驱动的算法趋向于具有关于未来的测试样本的更大的泛化能力，所述数据驱动的算法可以在模式识别或监督机器学习中采用最先进的技术。

然而，关于数据驱动的方法的一个挑战是训练样本(具体地故障训练样本)的不良可用性。在典型机器(例如，燃气涡轮机或飞机)的寿命内，该机器在大多数时间应该处于正常、健康的状态。只有在罕见情况下，它才可能经历某个类型的故障。因此，获得正常的训练数据不是问题，但是获取故障样本是有挑战性的。即使可以获得每种故障类型的至少一个故障样本，但是这些样本也很可能来自不同的机器。

图1图示了对于适当地迁移故障样本的这种需要。机器1(源)在图1(a)中具有正常训练样本11和故障训练样本12二者。机器2(目标)在图1(b)中仅具有正常训练数据13。如何能够将来自机器1的故障训练样本用来帮助训练用于机器2的模式识别算法？如图1(c)中所示，如通过叠加数据来复制故障数据将不起作用，因为机器1和机器2可能具有完全不同的操作行为，以及机器2上的故障可能看起来不同于机器1上发生的相同故障。因此，如图1(c)所示，复制的故障样本与正常训练样本错误地重叠。

迁移学习是机器学习中活跃的研究领域，并且可以用于解决这些样本迁移挑战。通常有适于这种情况的两个方法。

A.对故障样本重新加权：这种方法将较大权重分配给目标域(机器2)中的训练样本，以及将较小权重分配给源域(机器1)中的训练样本。可替代地，其将较大权重分配给更接近目标域的数据分布的源域训练样本。然而，其要求假设：机器1的行为必须类似于机器2的行为。这种假设在机器状况监视中通常是不成立，如例如图1(c)中所示。

B.对故障样本应用变换：源域中的故障样本通过线性或非线性变换被映射到目标域。一个挑战是如何约束该映射，因为有如此多的选项。对应性是这样的约束之一。例如，可以假设在变换之后来自源域的某些样本应该更接近来自目标域的某些样本。这种类型的对应性通常在机器之间不可用。

发明内容

如本文所述的本公开的示例性实施例通常包括用于跨机器迁移样本的系统和方法，使得故障可以在从未见过该故障的机器上被检测到。本发明的实施例对故障样本应用变换，但是使用以下事实：充足的正常训练数据通常可从不同的机器得到。因此，对针对不同机器的数据的概率分布进行建模是可能的。基于此，根据本发明的实施例，在变换之后，来自源的数据分布应该类似于目标。根据本发明实施例的算法可以获得更现实的结果，如图1(d)所示，其中故障样本在机器2域中被迁移，并且可以更容易地与正常训练样本区分开。