[发明专利]基于小样本自学习故障迁移的故障判别方法、系统、装置

说明书

本发明属于工业设备故障判别领域，具体涉及了一种基于小样本自学习故障迁移的故障判别方法、系统、装置，旨在解决现有技术模型需要大量标签数据训练且无法依据设备不断运行累积的新的故障数据进行在线评估与更新的问题。本发明包括：以不包含目标设备信息的设备运行数据库为支撑，使用目标设备少量带标签的样本数据进行目标设备运行状态诊断；通过特征提取结合迁移学习实现设备运行数据库向模型的知识迁移；模型训练中引入故障诊断知识，对新的和低置信度的故障类型进行核实，更新设备运行数据库和目标数据集，实现故障诊断知识向模型的知识迁移。本发明在目标设备故障数据不足时，不断更新设备运行数据库和故障判别模型，提升模型故障诊断能力。

技术领域

本发明属于工业设备故障判别领域，具体涉及了一种基于小样本自学习故障迁移的故障判别方法、系统、装置。

背景技术

工业生产环境复杂，一种设备通常有数种不同的工作状态，不同的设备也具有相似的故障类型。传统的故障判别方法需要专家深入了解设备运行机理，针对不同的生产环境设计机理模型，设计要求高、难度大。复杂工业环境中安装的传感器等设备采集、存储了大量的生产数据，这些工业数据体量大、包含设备的健康状态信息，能够帮助改进产品功能，预先诊断产品故障。

深度学习方法可以充分利用数据信息，表现出很好的学习能力。但传统的深度学习方法需要大量的标签数据，训练的模型通常只适用于特定的问题，可迁移性不足，而收集所有设备运行在不同工作条件下的标签数据则需要很高的成本。在实际的工业应用中，获取的标签故障数据量少，传统的深度学习方法难以学习到故障的有效特征，影响故障判别的准确性。现有的深度迁移方法，所选的训练数据和诊断方法固定，分类准确性依赖神经网络和训练损失的设计，无法有效利用故障诊断知识。

总的来说，现有的工业设备故障判别模型依赖大量的标签数据，并且通常只适用于特定的问题。本领域急需一种方法，可以基于小样本数据针对工业设备的不同故障问题进行故障判别模型训练，并且在工业设备不断运行过程中，可以通过累积的新的故障数据实现故障判别模型的在线评估与更新。

发明内容

为了解决现有技术中的上述问题，即现有技术模型训练需要大量标签数据且无法依据设备不断运行累积的新的故障数据进行模型在线评估与更新的问题，本发明提供了一种基于小样本自学习故障迁移的故障判别方法，该故障判别方法包括：

步骤S10，获取目标设备监测数据作为待判别数据；

步骤S20，通过故障判别模型提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；所述运行状态包括正常运行、各故障类型；

步骤S30，所述置信度中最大值对应的运行状态为目标设备运行状态；

其中，所述故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：

步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值；

步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移；

步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型。

在一些优选的实施例中，步骤S20中“计算所述约束特征属于设备运行数据库中各运行状态的置信度”，其方法为：