摘要
工业过程监测和故障诊断对于确保制造系统中高质量生产和安全运行至关重要。然而,标注数据不足、故障样本不平衡以及操作条件频繁变化限制了现有基于深度学习方法的诊断性能和泛化能力。此外,传统模型往往难以在仅有有限标注样本的情况下快速适应新遇到的操作条件。为应对这些挑战,本文提出了一种用于变化操作条件下故障诊断的数据增强元学习(DAML)框架。该框架旨在从不同诊断任务中提取可迁移的元知识,从而在有限标注数据的情况下实现对新操作条件的快速模型适应。首先,为缓解实际工业过程中的故障类别不平衡问题,采用生成对抗网络生成少数类故障样本,改善不同故障类别之间的平衡性。然后通过元学习框架内的随机采样构建多个故障分类任务。其次,为应对新操作条件下的少样本诊断问题,开发了一种集成长短期记忆网络与全卷积网络的元学习模型(Meta-LSTM-FCN)。在由多个相关故障诊断任务组成的任务域上进行元训练,使模型在跨任务学习可迁移的元先验知识的同时优化其参数。随后,使用在新操作条件下收集的有限标注样本构建支持集和查询集。通过将支持集与学习到的元先验知识相结合,通过少量梯度更新最小化任务特定损失来适应模型参数,从而在新操作条件下实现快速适应和准确故障诊断。最后,在所公司的浮法玻璃生产线上验证了所提出的方法。实验结果表明,所提出的方法比基线方法具有更高的故障分类准确率,证明了其在涉及变化操作条件、有限标注数据和不平衡故障类别的故障诊断场景中的有效性。
利益冲突声明
作者声明不存在利益冲突。
数据可用性声明
支持本研究结果的数据可从通讯作者处通过合理请求获得。
同行评审
为保持透明度,与本文章相关的同行评审文件可在 https://doi.org/10.1002/cjce.70617 处获取。


