[发明专利]一种基于元学习的故障检测方法

说明书

本发明提出一种基于元学习的故障检测方法，主要涉及深度学习、数据挖掘领域。主要步骤包含：数据预处理，针对MAML框架进行任务划分；将故障特征作为输入，进行特征映射；设计浅层Transformer，在内循环进行第一次梯度的更新；在外循环进行第二次梯度更新，完成模型的训练；对模型进行微调，实现对故障类型的识别；本发明针对故障数据样本量较少，难以用于机器学习方法进行模型设计，因此借助元学习的方法进行故障检测研究，更准确的对多类故障进行识别预测。

技术领域

本发明涉及深度学习，数据挖掘领域，具体涉及到一种基于元学习的故障检测方法。

背景技术

在工业4.0时代，加快发展智能制造，是培育我国经济增长新动能的必由之路。然而，智能制造设备趋于集成化、复杂化，设备一旦出现故障可能会带来巨大的经济损失。如何有效利用故障监测数据实现故障的智能预测，从而避免故障的发生并降低维护成本，一直是工业界和学术界的研究热点。

大多数智能制造设备部署了物联网器件对设备进行状态监控，产生的监控数据随时间不断增加，形成典型的时间序列数据。传统的设备故障检测方法常用 LSTM(长短期记忆模型)等方法来实现故障的时序预测，然而设备监测数据中 95％以上都是正常数据，用于模型训练的故障数据极少，同时难以对不同类别的故障进行有效识别。此外，基于LSTM的故障检测无法设备监测数据中有价值的特征，因此，急需设计一种用于故障检测的有效方法。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于元学习的故障检测方法；

本发明为实现上述的技术目的，采用如下的技术方案：

所述的基于元学习的故障检测方法，具体步骤如下：

步骤一：数据预处理，针对MAML框架进行任务划分

对数据进行预处理，针对不同故障类别以及设备正常状态设计任务池，将任务划分为支持集与查询集；

步骤二：将故障特征作为输入，进行特征映射；

对故障特征进行筛选，并将故障特征维度升维至指定维度；

步骤三：设计浅层Transformer，在内循环进行第一次梯度的更新；

使用三层Transformer进行编码，用其Encoder端进行编码，在内循环使用步骤二设置的支持集进行第一次梯度更新；

步骤四：在外循环进行第二次梯度更新，完成模型的训练；

在外循环使用SGD优化器，在步骤二设置的查询集上进行第二次梯度更新，完成模型的训练，得到初始参数；

步骤五：对模型进行微调，实现对故障类型的识别；

测试时通过步骤四得到的参数进行模型初始化，随机抽取一个任务对模型进行微调，然后实现对设备状态分类，以预测设备是否出现故障，以及处于何种故障；

本发明的优点在于：一种基于元学习的故障检测方法，针对故障数据不足，导致无法进行有效的故障识别预测，借助元学习框架，设计浅层Transformer进行故障特征提取，本发明在故障识别预测具有较高的准确性，在智能设备故障检测方面有重大的应用价值；

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于元学习故障检测的流程图。

具体实施方式