基于模型无关元学习的小样本故障诊断方法技术

本发明专利技术公开了一种基于模型无关元学习的小样本故障诊断方法

【技术实现步骤摘要】
基于模型无关元学习的小样本故障诊断方法、系统、装置及介质


[0001]本专利技术属于风力发电
，涉及一种基于模型无关元学习的小样本故障诊断方法
、
系统
、
装置及介质
。

技术介绍

[0002]随着风电机组装机容量的增多，故障诊断变得愈发重要
。
人工智能推动了风电机组故障智能诊断的发展，使风电机组故障诊断进入大数据时代
。
然而对于新建风场，能够收集到的运行数据大多是正常运行状态下的健康数据，收集到的故障样本很少
。
由于新建风场与已有风场在结构
、
运行环境上存在区别，采用已有风场的故障样本训练的故障诊断模型，未必能够很好地适用于新风场的故障诊断
。
当训练样本不均衡时，采用传统的深度学习进行训练智能分类模型经常会出现过拟合，诊断精度大大降低
。

技术实现思路

[0003]本专利技术的目的在于解决现有技术中训练样本不均衡时，传统的深度学习进行训练智能分类模型会出现过拟合，诊断精度大大降低的问题，提供一种基于模型无关元学习的小样本故障诊断方法
、
系统
、
装置及介质
。
[0004]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0005]基于模型无关元学习的小样本故障诊断方法，包括：
[0006]采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
[0007]将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
[0008]基于训练集中每个类别随机抽取数据，获取支持集和查询集；
[0009]基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
[0010]从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；
[0011]将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度
。
[0012]本专利技术的进一步改进在于：
[0013]进一步的，采集风电机组状态监测数据并进行数据处理，划分测试集和训练集，具体为：模型的训练集与测试集均为风电机组状态监测数据，测试集和训练集在进行测试和训练前均进行快速傅里叶变换，将复杂的时域信号转换为频域信号，便于神经网络模型学习和分类特征
。
[0014]进一步的，基础模型包含三个卷积层
、
三个批标准化
、
三个最大池化和一个全连接层；一维卷积层用于提取数据中的关键信息，最大池化层用来降低特征数量
、
方便进行重要特征的选择，批标准化用来加速模型收敛
、
提高模型鲁棒性，全连接层用于最后的分类；基
础模型具体分成4个模块，每个模块分别包含一层卷积
、
一层批标准化
、
一层激活函数和一层最大池化；除最后一层激活函数为
Softmax
外，其他所有层的激活函数均为修正线性单元
Relu。
[0015]进一步的，将训练集输入至基础模型中进行训练，直至得到最优化的基础模型，具体为：判断基础模型的迭代次数是否达到设置的最大训练次数，若达到，则停止训练，损失函数达到最优；
[0016]模型具体的损失函数为：
[0017]L(f)
＝
∑[y
i
logf(x
i
)+(1
‑
y
i
)log(1
‑
f(x
i
))]ꢀꢀ
(1)
[0018]其中，训练集为测试集为所提出的分类模型为
f
，
f(x
i
)
为模型的预测值，
y
i
为实际值
。
[0019]进一步的，模型无关元学习的更新方式为：假设单个任务
θ
更新的学习率为
γ
，模型
φ
更新的学习率为
η
，
MAML
的步骤如下：
[0020](1)
对于单个任务
θ
i
，即支持集的某个数据
x
和标签
y
，数据
x
输入到模型
f
中，得到
f
θ
，对比
f
θ
和标签
y
的交叉熵损失
L
Ti
，反向传播更新该任务的模型参数；
[0021][0022]其中，
θ
为某一任务的参数，
γ
为该任务更新的学习率，所提出的分类模型为
f
，
L
Ti
为损失函数；
[0023](2)
计算查询集
Q
上所有任务损失的总和：
[0024][0025]其中，
φ
为所有任务的更新参数，所提出的分类模型为
f
，
L
Ti
为损失函数；
[0026](3)
更新初始化参数：
[0027][0028]其中，
φ
为所有任务的更新参数，
η
为总任务更新的学习率
。
[0029]进一步的，支持集和查询集为在元学习中用于划分训练任务和测试任务的数据集；在训练任务中，支持集用于学习初始化参数，查询集用于增加参数的泛化性；在测试任务中，支持集用于微调初始化参数，查询集用于评估最终模型的性能
。
[0030]基于模型无关元学习的小样本故障诊断系统，包括：
[0031]划分模块，所述划分模块采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；
[0032]训练模块，所述训练模块将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；
[0033]抽取模块，所述抽取模块基于训练集中每个类别随机抽取数据，获取支持集和查询集；
[0034]获取模块，所述获取模块基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；
[0035]微调模块，所述微调模块从训练集中随机选择数据对训练后的模型无关元学习进
行微调，获取最优化的模型无关元学习；
[0036]分类对比模块，所述分类对比模块将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度
。
[0037]一种终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于模型无关元学习的小样本故障诊断方法，其特征在于，包括：采集风电机组状态监测数据并进行数据处理，划分测试集和训练集；将训练集输入至基础模型中进行训练，直至得到最优化的基础模型；基于训练集中每个类别随机抽取数据，获取支持集和查询集；基于支持集和查询集构建多个元学习任务，并将最优化的基础模型的模型参数作为模型无关元学习的初始参数进行训练，获取训练后的模型无关元学习；从训练集中随机选择数据对训练后的模型无关元学习进行微调，获取最优化的模型无关元学习；将测试集输入最优化的模型无关元学习进行分类，获取测试集中的数据对应的预测类别，基于所获取的预测类别与实际类别进行对比，获取分类器的分类精度
。2.
根据权利要求1所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述采集风电机组状态监测数据并进行数据处理，划分测试集和训练集，具体为：模型的训练集与测试集均为风电机组状态监测数据，测试集和训练集在进行测试和训练前均进行快速傅里叶变换，将复杂的时域信号转换为频域信号，便于神经网络模型学习和分类特征
。3.
根据权利要求2所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述基础模型包含三个卷积层
、
三个批标准化
、
三个最大池化和一个全连接层；一维卷积层用于提取数据中的关键信息，最大池化层用来降低特征数量
、
方便进行重要特征的选择，批标准化用来加速模型收敛
、
提高模型鲁棒性，全连接层用于最后的分类；基础模型具体分成4个模块，每个模块分别包含一层卷积
、
一层批标准化
、
一层激活函数和一层最大池化；除最后一层激活函数为
Softmax
外，其他所有层的激活函数均为修正线性单元
Relu。4.
根据权利要求3所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述将训练集输入至基础模型中进行训练，直至得到最优化的基础模型，具体为：判断基础模型的迭代次数是否达到设置的最大训练次数，若达到，则停止训练，损失函数达到最优；模型具体的损失函数为：
L(f)
＝
∑[y
i
logf(x
i
)+(1
‑
y
i
)log(1
‑
f(x
i
))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，训练集为测试集为所提出的分类模型为
f
，
f(x
i
)
为模型的预测值，
y
i
为实际值
。5.
根据权利要求4所述的基于模型无关元学习的小样本故障诊断方法，其特征在于，所述模型无关元学习的更新方式为：假设单个任务
θ
更新的学习率为
γ
，模型
φ<...

【专利技术属性】
技术研发人员：刘潇波，沙德生，李芊，张庆，邹歆，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：