[發明專利]元深度學習驅動的旋轉機械小樣本健康評估方法

有效

• 申請號: 202010401773.6
• 申請日: 2020-05-13
• 公開（公告）號: CN111695209B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 賈民平;丁鵬;趙孝禮;佘道明;黃鵬;胡建中;許飛云
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/04;G06N3/08;G06N20/00;G01M13/00;G01M13/045;G06F119/04
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張天哲

本發明公開了元深度學習驅動的旋轉機械小樣本健康評估方法，具體步驟如下：首先對旋轉機械預處理后的振動信號提取時頻圖及時、頻域特征作為退化特征量；接著進一步通過無監督域自適應方法提取不同域間可遷移退化指標；在此基礎上劃分不同子任務并對卷積網絡與循環網絡進行基于梯度反向傳遞的參數求解，構建兩種不同基礎模型的元深度學習預測方法實現不同退化指標的小樣本評估；最后聚合不同學習子任務實現跨任務間的模型參數求解、尋優，為推廣、泛化至未知數據集提供元深度學習評估代理模型。該方法首次將元學習思想引入旋轉機械健康評估、管理領域，極大削弱了工況差異以及樣本稀少對傳統機器學習模型泛化能力帶來的沖擊。

技術領域

本發明涉及旋轉機械設備中的健康評估技術領域，是一種基于元深度學習的旋轉機械健康評估方法，具體說是通過元學習聚合基礎預測模型進行跨任務優化求解實現變工況下小樣本健康評估的方法。

背景技術

伴隨著機械設備的發展，其設計、研制、生產、使用尤其是后期維護與保障成本越來越高，旋轉機械作為現代工業諸如航空裝備、衛星制造與應用、軌道交通設備制造、海洋工程裝備制造、數控加工制造以及流程工業等高端智能制造應用場景中不可或缺的關鍵基礎部件之一，其故障導致的事故停機往往造成重大經濟損失和惡劣社會影響甚至人員傷亡等，對其進行有效的健康評估能夠規避未知風險，降低經濟財產損失，具有重大研究價值。

為系統解決旋轉機械健康評估問題，基于數據驅動的方法(Data-drivenmethods)通過采樣數據便可直接生成退化或壽命模型且無需先驗知識，這一特性已被廣泛應用于大多數機械系統在線監測、故障診斷以及健康評估研究及應用中。其中深度學習(Deep learning)技術憑借出色的非線性特征提取以及數據挖掘能力，在數據量充足的情況下表現出強大的預測、評估能力，這種基于“學習—生成模型”的預測架構對于數據的質量以及規模具有嚴苛條件。工業現場中變轉速、變負載等現象頻發，采集完備退化樣本庫無疑需要消耗大量人力物力。因此，上述預測思路雖具有理論可行性，但實際應用中代價過大，且難以解決跨工況預測、評估問題。基于退化知識遷移的方法能夠在一定程度上緩解樣本間統計分布差異導致的模型過擬合問題，為跨工況預測、評估提供了可行方案。然后其從原理上講尚未完全擺脫深度學習固有缺陷，對于某些高端場景而言，截尾數據、退化樣本不平衡以及樣本規模有限的實際情況普遍存在，因此極易出現“負遷移”等現場，從而極大阻礙了跨工況預測、評估的實現。綜上而言，現有數據驅動的旋轉機械健康評估方法雖然提供了便捷、靈活的解決思路，但“過擬合”，“負遷移”等現象一定程度上阻礙了小樣本下跨工況健康評估的深入研究。

元學習(meta learning)作為一項“學會學習”(learning to learn)的研究，旨在探索一種跨學習任務的通用知識并高效適應新任務的能力，有望充分理解退化過程機制和該機制與具體適用背景間的相互作用關系，為小樣本下快速遷移、適應提供可能。元學習思想的提出有效解決了機器學習領域中小樣本學習問題(few shots learning)，該難題也廣泛存在于實際工程中，尤其是退化數據稀少的高端裝備行業。迄今為止，國內外未見元學習方法在旋轉機械壽命預測中的應用。因此，深入研究完善元學習驅動的壽命預測、健康評估理論研究，并深度融合既有深度學習、遷移學習方法的優勢，對于解決有限樣本下的跨工況健康評估問題具有重要研究與實際應用價值。

發明內容

本發明的目的在于提出元深度學習(meta deep learning,MDL)驅動的旋轉機械小樣本健康評估方法。運用時頻分析及時、頻域特征提取方法對預處理后的振動信號進行退化特征提取；接著通過無監督域自適應方法提取不同域間退化特征的可遷移退化指標；在此基礎上劃分不同子任務分別進行基于梯度反向傳遞的卷積網絡與循環網絡模型參數求解，構建兩種不同基礎模型的元深度學習預測方法實現不同退化指標的小樣本評估；最后聚合不同學習子任務實現跨任務間的模型參數求解，尋優。為推廣、泛化至未知數據集提供元深度學習評估代理模型進而完成小樣本健康評估。該方法首次將元學習思想引入旋轉機械健康評估、管理領域，極大削弱了工況差異以及樣本稀少對傳統機器學習模型泛化能力帶來的沖擊，具有重要經濟與社會價值。