当元学习遇上故障诊断 Meta-learning in fault diagnosis

• 引言
• 全文概览
• 基本知识

本文是对故障诊断元学习技术综述文章 Meta-learning as a promising approach for few-shot cross-domain fault diagnosis: Algorithms, applications, and prospects 的总结和阐述，本文获论文作者之同意。

原文链接：Meta-learning as a promising approach for few-shot fault dianosis …
公开代码：https://github.com/fyancy/MetaFD

引言

设备安全事故一般是由于结构损伤、故障发生和功能失效的连续发生而引起的，最终往往造成严重的人员伤亡和经济损失。尤其是对于重大装备而言，其自动化、集成化、复杂化、高速化、智能化的特点，使得机械对于故障的容忍度愈来愈低，微弱故障就能导致重大事故的发生。近年来，一系列的故障诊断技术相继出现。

• 基于信号处理的方法从原始信号中提取故障特征，如快速傅里叶变换(FFT)，短时傅里叶变换(STFT)，小波变换等。然而，如图1所示，(a)过多的人为干预使其难以满足现代设备对于诊断准确性和效率的要求。
• 机器学习是智能故障诊断的前沿技术，可以实现对机械信号特征的自动识别，经典的故障诊断方法如支持向量机方法、随机森林方法、 k 最近邻方法等得到了广泛的应用。(b)但仍受制于繁琐的特征工程。
• 最近，深度学习(DL)进一步扩展了智能诊断的概念，使得从原始信号到诊断的端到端的自动化过程成为可能。多层深度结构赋予网络强大的非线性转换能力，以提取更多的抽象特征，如卷积神经网络(CNN)[10]
  ，长短期记忆(LSTM)，深度自动编码器(DAE) ，生成对抗性网络(GAN)
  ，以及图形神经网络(GNN)。尽管如此，这些方法仍受限于繁琐的手动调参和昂贵的计算资源成本。

作者认为，故障诊断对象从基本零件(轴承、齿轮、转轴等)到大型设备(风力发电机、航天发动机、高速列车等)的演变，导致了更苛刻的诊断场景: (1)数据匮乏；(2)工况多变；(3)数据质量差等。因此，需要寻求一种超参数优化少、训练数据量小、泛化能力强的方法，以满足快速、准确的故障诊断的要求。元学习，可以作为一种值得考虑的算法。

元学习(Meta-Learning)，也称学习之学习(Learning to learn)，指的是如下一种学习技术：通过几个可用样本就可以快速适应新任务。也就是说，模型设计者不需要在意训练数据量，用户也不用关心专家经验，如图1所示。这是受人类学习的启发。当人类遇到一系列任务时，我们学习如何处理它们，同时归纳出该学习过程的抽象知识，这样我们就可以快速地学习相关的新任务，并很好地应对它们。元学习寻求给定任务的基本规则，即元知识。高水平的元知识能使下游任务中的模型能够快速学习，为其提供全局共享的经验，而不是从头开始学习。迁移学习也具有类似的能力(例如，参数微调)，但是迁移效果和训练数据量要求都不令人满意。

作者还讲述了元学习的背景及其在其它领域的应用，此处不赘述。
文章结构如下图所示。全文从经典的分类方法出发，将元学习方法分为基于优化、度量和模型三类，原因作者也在文中阐明。究其根本，对于启发性综述而言，故障诊断中元学习文献的质量和数量决定了综述布局，而现阶段的元学习在本领域的应用还处于起步阶段，因此经典的分类法足以。左边是元学习的基本架构，元学习器和基础学习器是模型的抽象表述，元学习器负责对元参数、元知识的更新，用于指导基础学习器在下游任务或者具体的新任务上的快速学习。图中，相同颜色的内容之间相互关联。如，基于优化的方法为蓝青色，而左边图中反向传播流程与之对应，紫色对应于左边元学习器对于基础学习器的指导等。

全文概览

值得一看的是下面这张图。

基本知识

持续更新中 …

标签：故障诊断,learning,fault,学习,Meta,diagnosis,方法
来源： https://blog.csdn.net/weixin_43543177/article/details/121148726