異構(gòu)信號驅(qū)動下小樣本跨域軸承故障診斷的GMAML算法

Part.1/文章摘要

論文提出了一種通用的模型不可知元學(xué)習(xí)（GMAML）方法，用于在異質(zhì)信號驅(qū)動的不同工況下，進(jìn)行軸承的少樣本故障診斷。該方法采用多核高效通道注意力特征編碼器，用于從不同的故障數(shù)據(jù)中提取共享的診斷知識。

同時，引入靈活的權(quán)重引導(dǎo)因子，調(diào)整訓(xùn)練策略并優(yōu)化不同診斷任務(wù)的內(nèi)循環(huán)權(quán)重，從而提高整體的泛化性能。通過在加速度和聲學(xué)信號方面的應(yīng)用，驗(yàn)證了該方法在多種少樣本跨領(lǐng)域場景下的有效性和廣泛適用性。

Part.2/主要工作與貢獻(xiàn)

該論文提出了一種新的方法，即通用模型不可知元學(xué)習(xí)（GMAML），用于解決軸承故障診斷中的少樣本跨領(lǐng)域問題。與現(xiàn)有的跨領(lǐng)域元學(xué)習(xí)故障診斷研究不同，后者僅限于同質(zhì)信號，而本論文提出的方法是首個探索涉及異質(zhì)信號場景的研究，從而進(jìn)一步擴(kuò)展了元學(xué)習(xí)故障診斷的適用性。換句話說，過去的研究在跨領(lǐng)域元學(xué)習(xí)故障診斷中主要關(guān)注同質(zhì)信號的情況，即相同類型的信號數(shù)據(jù)。

然而，本論文所提出的方法是第一次嘗試探索在涉及不同類型信號的情況下進(jìn)行跨領(lǐng)域故障診斷。這樣的嘗試具有創(chuàng)新性，因?yàn)樗鼘⒐收显\斷的應(yīng)用范圍擴(kuò)展到了更廣泛的信號類型，從而使得元學(xué)習(xí)在實(shí)際應(yīng)用中更具有實(shí)用性這表明論文從方法層面上具有創(chuàng)新性，試圖解決目前研究中存在的挑戰(zhàn)。

Part.3/ ** 研究**方法****

論文引入了一種名為多核高效通道注意力特征編碼器(multi-kernel efficient channel attention)簡稱MK-ECA的技術(shù)，用于從不同信號中提取共享的故障診斷知識。Efficient Channel Attention (ECA) 模塊是一種嵌入在神經(jīng)網(wǎng)絡(luò)中的模塊。它主要包含了一個全局平均池化（GAP）層，一個一維卷積（1-D Convolution）層和 Sigmoid 激活函數(shù)，其結(jié)構(gòu)如圖1所示。

該模塊的設(shè)計(jì)旨在提高神經(jīng)網(wǎng)絡(luò)中的特征提取能力，特別是在多通道數(shù)據(jù)中。它通過全局平均池化層在輸入特征上獲取各通道的全局信息，然后通過 Sigmoid 激活函數(shù)學(xué)習(xí)每個通道的權(quán)重。這使得網(wǎng)絡(luò)能夠選擇性地關(guān)注輸入數(shù)據(jù)中的重要部分，并抑制不太相關(guān)的部分。這種機(jī)制有助于模型更好地捕捉關(guān)鍵的故障信息。

此外，ECA 模塊結(jié)合了特征圖的深度和空間信息，從而能夠獲得全局的通道信息。與全連接層相比，ECA 模塊使用了一維卷積核，這有效地降低了計(jì)算和復(fù)雜性，同時通過 Sigmoid 激活函數(shù)學(xué)習(xí)通道權(quán)重。卷積核的大小是通過與通道數(shù)相關(guān)的函數(shù)自適應(yīng)地確定的，這有助于適應(yīng)不同維度的通道數(shù)據(jù)。

總之，ECA 模塊通過全局信息匯聚和通道權(quán)重學(xué)習(xí)，使得神經(jīng)網(wǎng)絡(luò)能夠更聚焦地提取重要特征，從而增強(qiáng)了特征的表達(dá)能力，尤其在多通道數(shù)據(jù)中，這對于故障診斷等任務(wù)尤為有益。論文在特征提取和表示學(xué)習(xí)方面做出了探索，以便更好地捕捉不同工況下的共性信息。

圖1 MK-ECA的結(jié)構(gòu)

論文還設(shè)計(jì)了一種靈活的內(nèi)循環(huán)權(quán)重引導(dǎo)因子（weight guidance factor）簡稱WGF，用于在不同的診斷任務(wù)之間調(diào)整訓(xùn)練策略和內(nèi)循環(huán)權(quán)重。權(quán)重引導(dǎo)因子是一個設(shè)計(jì)的因子，用于調(diào)整不同診斷元任務(wù)的訓(xùn)練策略，以增強(qiáng)診斷模型的泛化性能。它通過兩個關(guān)鍵步驟來實(shí)現(xiàn)這一目標(biāo)：

（1）內(nèi)循環(huán)權(quán)重更新：在每個訓(xùn)練批次中，通過使用初始的網(wǎng)絡(luò)參數(shù)，在內(nèi)循環(huán)中更新模型的權(quán)重。這個更新過程考慮了內(nèi)循環(huán)學(xué)習(xí)率和WGF，以使模型能夠更加專注地學(xué)習(xí)每個特定任務(wù)的關(guān)鍵特征。

（2）外循環(huán)網(wǎng)絡(luò)訓(xùn)練：使用在內(nèi)循環(huán)中更新的權(quán)重，在外循環(huán)中在查詢集合上進(jìn)行網(wǎng)絡(luò)訓(xùn)練。通過外循環(huán)的梯度下降法更新，模型的參數(shù)在不同任務(wù)之間得到平衡，從而實(shí)現(xiàn)更好的泛化性能。

WGF的核心思想在于，它允許模型根據(jù)不同的診斷任務(wù)靈活地調(diào)整參數(shù)，以適應(yīng)任務(wù)之間的差異。通過在內(nèi)外循環(huán)中的交替訓(xùn)練，模型逐漸學(xué)會如何更好地平衡和適應(yīng)不同任務(wù)的特點(diǎn)，從而提高了在各種診斷場景中的性能。這個方法使模型在小樣本跨領(lǐng)域故障診斷問題中變得更加通用和適應(yīng)。

模型的結(jié)構(gòu)以MAML模型為基線，其結(jié)構(gòu)如圖2所示。

圖2 GMAML的結(jié)構(gòu)

WGF的核心是調(diào)整內(nèi)循環(huán)的學(xué)習(xí)率和內(nèi)循環(huán)權(quán)重更新，以便根據(jù)具體任務(wù)特點(diǎn)來優(yōu)化模型。通過在內(nèi)循環(huán)中采用較小的學(xué)習(xí)率和WGF，模型可以更加關(guān)注特定任務(wù)的細(xì)節(jié)和關(guān)鍵信息。在外循環(huán)中，通過在 Query集合上訓(xùn)練模型參數(shù)，模型可以應(yīng)用于更廣泛的場景，從而提高泛化性能。

綜上所述，內(nèi)循環(huán)權(quán)重引導(dǎo)因子（WGF）是一種用于調(diào)整訓(xùn)練策略以提高模型泛化性能的方法。通過在內(nèi)外循環(huán)中動態(tài)地調(diào)整學(xué)習(xí)率和權(quán)重更新，WGF 使模型能夠在不同的診斷元任務(wù)中靈活應(yīng)對，從而更好地適應(yīng)各種診斷情況。

Part.4/實(shí)驗(yàn)驗(yàn)證

驗(yàn)證在不同場景下的應(yīng)用：論文通過應(yīng)用于加速度和聲學(xué)信號數(shù)據(jù)，展示了該方法在多種異構(gòu)跨領(lǐng)域情境下小樣本故障診斷的有效性。這表明論文不僅停留在理論層面，還在實(shí)際數(shù)據(jù)上進(jìn)行了驗(yàn)證。

圖3 不同方法的準(zhǔn)確率

Part.5/閱讀心得

綜上所述，該論文主要關(guān)注軸承故障診斷領(lǐng)域中的少樣本跨領(lǐng)域問題，通過引入通用模型不可知元學(xué)習(xí)方法和多核高效通道注意力特征編碼器，以及靈活的權(quán)重引導(dǎo)因子，來提升故障診斷模型在不同工況下的泛化能力。同時，通過實(shí)際數(shù)據(jù)的驗(yàn)證，證明了該方法的有效性和適用性。