一种基于元学习的故障检测方法技术

本发明专利技术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；本发明专利技术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。预测。预测。

【技术实现步骤摘要】
一种基于元学习的故障检测方法


[0001]本专利技术涉及深度学习，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为解决现有技术中的缺点和不足，本专利技术提出了一种基于元学习的故障检测方法；
[0005]本专利技术为实现上述的技术目的，采用如下的技术方案：
[0006]所述的基于元学习的故障检测方法，具体步骤如下：
[0007]步骤一：数据预处理，针对MAML框架进行任务划分
[0008]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；
[0009]步骤二：将故障特征作为输入，进行特征映射；
[0010]对故障特征进行筛选，并将故障特征维度升维至指定维度；
[0011]步骤三：设计浅层Transformer，在内循环进行第一次梯度的更新；
[0012]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；
[0013]步骤四：在外循环进行第二次梯度更新，完成模型的训练；
[0014]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；
[0015]步骤五：对模型进行微调，实现对故障类型的识别；
[0016]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；
[0017]本专利技术的优点在于：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，本专利技术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
[0018]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0019]图1为本专利技术基于元学习故障检测的流程图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]针对故障数据样本不足，无法提高设备故障预测准确率的难题，本专利技术提出一种基于元学习的故障检测方法，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；
[0022]一种基于元学习的故障检测方法，具体流程如图1所示，实施步骤如下：
[0023]步骤一：数据预处理，针对MAML框架进行任务划分
[0024]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；
[0025]步骤二：将故障特征作为输入，进行特征映射；
[0026]对故障特征进行筛选，并将故障特征维度升维至指定维度；
[0027]步骤三：设计浅层Transformer，在内循环进行第一次梯度的更新；
[0028]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；
[0029]步骤四：在外循环进行第二次梯度更新，完成模型的训练；
[0030]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；
[0031]步骤五：对模型进行微调，实现对故障类型的识别；
[0032]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；
[0033]本专利技术针对故障数据不足，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，本专利技术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；
[0034]以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精
神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的故障检测方法，其特征在于，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Encod...

【专利技术属性】
技术研发人员：陈炳阳，张卫山，曾星杰，侯召祥，陈涛，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：