A novel method based on meta-learning for bearing fault diagnosis with small sample learning under different working conditions
不同工作條件下一種基于小樣本元學習用于軸承故障診斷的新方法
近來，智能故障診斷已經取得了巨大的成就，由于它強大的特征學習能力，在軸承故障診斷領域引起了越來越多的關注。現有的智能故障診斷方法普遍認為軸承故障樣本量充足是理所當然的。然而，在實際中，缺乏故障樣本已經變成了一個棘手的問題。是以，在這篇文章中，針對不同工況下的小樣本軸承故障診斷問題，提出了一種新的資料重構分層循環元學習方法（DRHRM）。這種方法包括資料重構和元學習階段。在資料重構階段，噪聲被減少,并且隐藏在原始資料中的有用資訊被提取。在元學習階段，該方法采用單樣本學習的循環元學習政策進行訓練。該方法在凱斯西儲大學具有92種工作條件的軸承故障資料庫和來自實驗室具有56種工作條件的資料集上進行了實驗。結果表明，該方法對于不同工況下的小樣本軸承智能故障診斷是有效的。
引言
軸承在旋轉機械中起着重要作用，由于惡劣的工作條件，旋轉機械很容易發生故障。是以，自動故障診斷方法已經變成了一個廣泛關注的議題。傳統的智能故障診斷方法，如人工神經網絡(ANN),支援向量機（SVM）和極限學習機（ELM），在軸承故障診斷方面已經取得了顯著的成就。通常，在識别故障類型前，利用信号處理技術從原始振動信号中提取大量的特征。但是提取器所擷取特征的可用性強烈影響傳統智能方法的故障診斷結果。在實際情況下，由于複雜的工作環境，振動信号是非平穩的，帶有強噪聲。為傳統的智能方法設計一種可操作的信号處理方法去有效的提取故障特征是有挑戰性的。是以，需要更多準确和智能的方法用于旋轉機械的故障檢測。
深度學習提供了一種用于故障檢測的方法，其被用于智能故障診斷。與傳統智能故障診斷方法需要提取提器和選擇器提取特征相比深度學習能夠自動的學習有價值的特征。也就是說，深度學習方法避免了多樣的信号技術并能夠實作端到端（end to end）的學習，深度自動編碼器，深度信念網絡（DBN），卷積神經網絡（CNN）。
然而，收集豐富的故障樣本既耗時又困難，因為一旦軸承出現故障，就會用新的軸承更換。由于小的軸承故障樣本，過拟合現象可能會削弱深度學習模型的性能。然後，一些技術，如資料增強，退化和正則化，被用來緩解這個問題。近來，出現一些研究利用小樣本深度學習用于軸承故障診斷。
元學習的出現可能帶來小樣本軸承故障診斷的革新，它可以利用一個或幾個樣本去解決相關任務配置設定中的小樣本學習（SSL）問題。元學習能夠用小樣本解決不同的問題，如分類，回歸和強化學習。傳統的學習算法在資料層面發現一般的經驗，然而元學習的目标是在任務層面上發現一個概括經驗的規則。元學習利用一個深度學習模型作為基礎結構，這充分利用了深度學習特征提取能力的優勢，即使使用一個或幾個樣本去訓練模型。元學習被用于軸承故障診斷。在這篇文章中DRHRML被提出用于智能軸承故障診斷，主要的貢獻總結如下;
1.通過在損失函數中加入新的限制，提出了一種新的資料重構方法——改進的稀疏降噪自動編碼器（ISDAE），以保持輸入的特性，去除原始資料中隐藏的雜質。
2.一種循環元學習算法（RML）被提出在有着少量訓練樣本的不同條件下分類軸測故障。由于RML強大的“學習到學習”的能力，RML能夠解決存在于故障診斷中的SSL問題。
3.從兩個故障資料集中重構了兩個新的任務資料集。一個來自凱斯西儲大學，另一個來自實驗室。利用CWRU軸承故障資料的各種條件，如不同的故障端、不同的故障位置、不同的故障嚴重程度、不同的工作條件、不同的故障大小、不同的采樣頻率和不同的故障類型，驗證了該方法的有效性。與CWRU提供的資料集不同，我們實驗室的資料集包含不同的測量方向和加速階段。實驗結果表明，該方法能充分利用小樣本，對不同工況下的小樣本軸承智能故障診斷是有效的。
相關工作
資料重構：随着深度學習的發展，各種資料驅動的資料重建方法被開發出來，包括但不僅限于自動編碼器（AE）。作為一個無監督的學習模型，AE能夠通過最小化重構誤差來確定網絡的輸出接近輸入值。也就是說，AE的目标是找到一個能夠在輸出和輸入之間建立映射關系的身份函數。基礎AE是一個三層神經網絡，中間層用于捕獲隐藏在原始資料中有用的智能表示。自從AE産生以來，AE的不同變體在不同限制條件下得到了發展，主要的變體是稀疏自動編碼器（SAE）和降噪自動編碼器（DAE）。
稀疏性已經成為機器學習，統計和信号處理等不同領域的一個流行概念。SAE采用規則化設計來限制AE，規則性主要将每個節點的輸出限制為0，隻有少數節點被激活。稀疏表達使SAE更加有效。DAE也是AE的一種變體，它使用一個遵循特定分布的噪聲混合到原始資料中，産生一個新的輸入資料。DAE的目标是使輸出資料與原始資料一緻，重建結果盡可能與原始資料相似，進而使模型對噪聲環境具有魯棒性。
小樣本學習：SSL是一種基本的，逐漸普及的新學習範式，其目标是模拟人類的學習能力，從小樣本中快速的搜尋特征知識。這有兩種主要的SSL情景，概念學習和經驗學習。經驗學習主要利用機器學習在樣本上的學習能力，本質上是一種資料驅動的方法。概念學習使用比對規則将概念和小樣本相關聯，以實作識别任務。這篇文章中的SSL基于經驗學習，有時也叫做小資料學習，它能夠在缺乏足夠訓練資料的條件下執行機器學習。
首先，給定經驗學習SSL範式的小樣本輸入ξ ，主要的政策是知識系統ϑ 。這篇文章中用到的模型，可能是神經網絡，随機森林或是元學習模型，從其它相關資料集訓練調整到給定資料集的小訓練樣本，在訓練的過程中微調的技術被用來改變獲得的參數。經驗學習範式如圖1所示：
軸承故障診斷經驗學習的目标是利用深度學習作為知識系統，模型從小樣本進行訓練。然後将訓練階段的參數傳遞到測試階段，同時利用與訓練域相關的資料集對模型進行評估。
元學習：元學習提供了一個有效的工具去解決SSL問題。SSL元學習的目标是訓練一個模型，該模型能夠僅僅使用少量的資料點獲得經驗去解決一個新任務并通過學習“如何學習”改善性能。換句話說，元學習能夠幫助一個模型在一系列任務中自學，其中每個任務都将小樣本作為訓練資料集。元模型能夠通過不同的故障診斷任務持續的學習知識。從元模型中擷取的高階元資訊是識别新的相關軸承故障的關鍵。
DRHRML的程式：DRHRML的程式呈現在圖5中，其主要包含三個步驟：用于故障識别的資料采集、資料重構和元學習。
提出的DRHRML方法一般的程式概述如下：
步驟1：通過測量系統從實驗裝置中收集資料。然後，按照元學習範式建構訓練和測試資料集。
步驟2：将步驟1中構造的振動資料輸入ISDAE。ISDAE的輸出不僅保留了重要的特征，而且減少了隐藏在輸入中備援資訊。利用重構的訓練資料集，按照特定的訓練方式對RML進行訓練。
步驟3：利用ISDAE重構的測試資料被輸入到訓練資料訓練好的RML中，用于軸承故障診斷。
結論
在這篇文章中，一種基于資料重構和元學習新的方法DRHRML被提出用于智能軸承故障檢測的小樣本學習。所提出的方法在兩個資料集上進行了實驗。與傳統的資料重構方法相比較，ISDAE由于其強大的去噪能力、稀疏表示能力和協同配置設定能力改善了分類準确率。與現有的智能故障診斷方法相比較，RML能夠使用少量的樣本在不同的條件下準确的診斷軸承故障。元學習将會提供一個新的工具用于小樣本的智能故障診斷。值得注意的是，元學習将是一項正在進行的工作，以提高在不同條件下小樣本故障診斷應用的準确性。