经典电视剧高清无广告播放网站 ,av免费网站_高清全集在线观看

中文題目：一種基于極限學(xué)習(xí)機(jī)和元學(xué)習(xí)的稀缺樣本故障診斷新方法

論文題目：A Novel Fault Diagnosis Method under Limited Samples based on An Extreme Learning Machine and Meta-learning

錄用期刊/會(huì)議：Journal of the Taiwan Institute of Chemical Engineers (中科院SCI 3區(qū)，JCR Q1)

原文DOI：https://doi.org/10.1016/j.jtice.2024.105522

原文鏈接：https://www.sciencedirect.com/science/article/pii/S1876107024001809

錄用/見刊時(shí)間：2024年04月25日

作者列表：

1） 許澤坤 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 控制工程 碩21

2） 高小永 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 自動(dòng)化系 教師

3） 付 軍 中海油能源發(fā)展股份有限公司 天津

4） 李 強(qiáng) 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 控制科學(xué)與工程 博22

5） 檀朝東 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 自動(dòng)化系 教師

文章簡(jiǎn)介:

本文提出一種面向稀缺樣本的故障診斷新方法，并用于電潛泵的故障診斷。通過(guò)結(jié)合極限學(xué)習(xí)機(jī)和元學(xué)習(xí)，有效克服了數(shù)據(jù)量稀缺的挑戰(zhàn)。這種方法顯著提高了分類模型的準(zhǔn)確性，并通過(guò)實(shí)際應(yīng)用驗(yàn)證了其效果，展現(xiàn)出優(yōu)于傳統(tǒng)方法的性能。

摘要:

傳統(tǒng)的故障診斷方法通常依賴于足夠數(shù)量的故障樣本。然而，在工業(yè)過(guò)程中，故障樣本往往稀缺，同時(shí)樣本采集成本也很高。在這種情況下，傳統(tǒng)方法很難做到準(zhǔn)確的故障診斷。關(guān)于解決稀缺樣本的問(wèn)題，元學(xué)習(xí)作為一種優(yōu)秀的算法，旨在使機(jī)器“學(xué)會(huì)學(xué)習(xí)”。通過(guò)元學(xué)習(xí)優(yōu)化器，獲得一個(gè)較好的模型初始化參數(shù)，元學(xué)習(xí)的提出為解決稀疏故障樣本問(wèn)題提供了新的研究思路。然而，元學(xué)習(xí)方法面臨著網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)復(fù)雜、整體算法耗時(shí)等問(wèn)題。

極端學(xué)習(xí)機(jī)（ELM）最初由Huang等人提出，由于其簡(jiǎn)單的結(jié)構(gòu)、快速的學(xué)習(xí)效率、高精度和最小的干預(yù)要求，它受到了學(xué)者的廣泛關(guān)注，并在故障診斷領(lǐng)域中取得了成功的應(yīng)用，已經(jīng)成為故障診斷研究的優(yōu)秀算法之一。

因此，本文提出了一種新的故障診斷方法，將極限學(xué)習(xí)機(jī)（ELM）和元學(xué)習(xí)相結(jié)合。采用模型不可知元學(xué)習(xí)框架從可用的故障數(shù)據(jù)中提取有價(jià)值的模型參數(shù)，從而優(yōu)化網(wǎng)絡(luò)模型的初始權(quán)重和偏差，獲得優(yōu)化后的ELM。這顯著增強(qiáng)了模型性能，尤其是在故障樣本稀缺的情況下。所提出的方法已被證明在電潛泵的故障診斷中是成功的，解決了由于故障樣本稀缺而導(dǎo)致故障診斷效果欠佳的問(wèn)題。

背景與動(dòng)機(jī):

優(yōu)秀的故障診斷技術(shù)在確保工業(yè)系統(tǒng)長(zhǎng)穩(wěn)有效運(yùn)行中發(fā)揮著至關(guān)重要的作用。然而，在實(shí)際的工業(yè)設(shè)備運(yùn)行中，機(jī)器大部分時(shí)間通常在正常條件下運(yùn)行，這意味著只能收集很有限數(shù)量的故障數(shù)據(jù)，有標(biāo)簽的故障數(shù)據(jù)則更為稀缺，而傳統(tǒng)的故障診斷方法在處理有限樣本時(shí)效果往往不佳。因此，針對(duì)這一問(wèn)題，本文提出一種基于極限學(xué)習(xí)機(jī)和元學(xué)習(xí)的新方法，旨在通過(guò)創(chuàng)新方法提高稀缺樣本下故障診斷的準(zhǔn)確性。

設(shè)計(jì)與實(shí)現(xiàn):

為了讓ELM在稀缺故障樣本條件下獲得更好的分類性能，本文利用MAML框架學(xué)習(xí)以往數(shù)據(jù)的分類經(jīng)驗(yàn)。在學(xué)習(xí)到的分類經(jīng)驗(yàn)基礎(chǔ)上，對(duì)目標(biāo)的稀缺樣本數(shù)據(jù)進(jìn)行最終分類。MLELM模型配置為多個(gè)子ELM、MAML框架和一個(gè)頂層ELM分類器。MAML從每個(gè)子ELM中更新輸入權(quán)重和偏置，并將最優(yōu)參數(shù)和輸出給頂層ELM。具體的流程圖如下所示。

圖1 MLELM流程圖

每個(gè)子ELM依次在的不相交子集上執(zhí)行訓(xùn)練任務(wù)，參考MAML框架優(yōu)化輸入和，并將最優(yōu)和輸出給頂層ELM作為頂層ELM的初始參數(shù)。這樣，頂層ELM會(huì)對(duì)類似數(shù)據(jù)極其敏感，使得頂層ELM在稀缺故障樣本的目標(biāo)任務(wù)上能達(dá)到更優(yōu)秀的分類效果。

具體流程步驟如表1所示。

表1 MLELM的流程步驟

實(shí)驗(yàn)結(jié)果及分析:

為了驗(yàn)證所提方法的有效性，本部分首先將其與ELM進(jìn)行對(duì)比，之后將其與PSO-ELM、FOS-ELM、LE-ELM以及Siamese Nets進(jìn)行對(duì)比。

MLELM與ELM在電潛泵稀缺故障樣本數(shù)據(jù)集上評(píng)判指標(biāo)與運(yùn)行時(shí)長(zhǎng)對(duì)比如圖2-圖3和表2所示

圖2 ELM和MLELM的分類性能對(duì)比情況

圖3 ELM和MLELM的分類性能對(duì)比情況

表2 ELM和MLELM的分類性能對(duì)比情況

	ACC (max)	ACC（average）	F1-score (max)	F1-score（average）	Kappa (max)	Kappa（average）
ELM	0.6157	0.3948	0.5890	0.3891	0.5594	0.3395
MLELM	0.9352	0.6281	0.9314	0.6070	0.9245	0.5844
提升	0.3195	0.2333	0.3424	0.2179	0.3651	0.2449

從上述實(shí)驗(yàn)結(jié)果可以看出，MLELM對(duì)比ELM在處理電潛泵稀缺樣本故障診斷問(wèn)題上的各項(xiàng)評(píng)價(jià)指標(biāo)都有明顯提升。說(shuō)明了在原有ELM模型上結(jié)合元學(xué)習(xí)優(yōu)化策略可以有效加強(qiáng)原模型對(duì)于稀缺故障樣本診斷的性能，也說(shuō)明了元學(xué)習(xí)方法對(duì)處理電潛泵稀缺故障樣本的實(shí)際有效性。

之后，將MLELM與PSO-ELM、FOS-ELM和LE-ELM進(jìn)行對(duì)比，如圖4所示。

圖4 各算法評(píng)價(jià)指標(biāo)的比較

分類結(jié)果的混淆矩陣如圖5所示。可以看出，在處理稀缺故障樣本問(wèn)題時(shí)，MLELM在12種電潛泵故障類別的綜合準(zhǔn)確率要平均高出其他三種改進(jìn)ELM算法8%左右，F1-score要高出0.8分左右，KAPPA要高出0.9分左右。在總12種類型中，全部都分對(duì)的類型有7種，并有10種類型的準(zhǔn)確率和8種F1-score得分高于其余三種算法。

圖5 不同算法的混淆矩陣

圖6全面比較了在數(shù)據(jù)樣本進(jìn)一步減少的三種規(guī)格下各算法的性能情況。具體來(lái)說(shuō)，數(shù)據(jù)樣本分別減少到280個(gè)和220個(gè)樣本。這種比較可以更能直觀看出每個(gè)算法在處理稀缺樣本的情況下的實(shí)際性能。此外，還添加了與孿生網(wǎng)絡(luò)（Siamese Nets，SN）的比較，以全面評(píng)估本文算法在三種樣本規(guī)格下的性能。

圖6 在三種樣本規(guī)格情況下的各算法評(píng)價(jià)指標(biāo)比較

為了更清楚地說(shuō)明本章算法在不同數(shù)據(jù)量下的性能優(yōu)勢(shì)，圖7展示了每個(gè)算法評(píng)價(jià)指標(biāo)的比較分析。

圖7 在三種樣本規(guī)格情況下的各算法評(píng)價(jià)指標(biāo)比較

綜上，根據(jù)上述實(shí)驗(yàn)結(jié)果可以看出，本章所提出的MLELM在處理電潛泵稀缺樣本的故障分類方面優(yōu)于ELM、PSO-ELM、FOS-ELM、LE-ELM和Siamese Nets。結(jié)果表明，MLELM可以有效地解決在稀缺樣本下故障分類問(wèn)題。此外，實(shí)驗(yàn)說(shuō)明了將元學(xué)習(xí)方法與ELM相結(jié)合后，提高了模型在處理稀缺樣本時(shí)的故障診斷性能。

結(jié)論:

本文提出了一種基于元學(xué)習(xí)和極限學(xué)習(xí)機(jī)的故障診斷方法，并應(yīng)用于稀缺樣本的電潛泵故障診斷。結(jié)果表明，與ELM、PSO-ELM、FOS-ELM、LE-ELM和Siamese Nets相比，MLELM在處理稀缺故障樣本問(wèn)題上有著更為出色的故障分類性能。說(shuō)明使用元學(xué)習(xí)方法對(duì)ELM進(jìn)行參數(shù)優(yōu)化可以顯著改善ELM在處理稀缺樣本數(shù)據(jù)時(shí)的故障診斷性能。并且，該算法成功地應(yīng)用于電潛泵故障診斷領(lǐng)域，為該領(lǐng)域提供了新的研究思路。在未來(lái)的研究中，可以通過(guò)改進(jìn)ELM的基本框架，從而進(jìn)一步改善算法的故障診斷性能。

高小永，信息科學(xué)與工程學(xué)院/人工智能學(xué)院副院長(zhǎng)，博士生導(dǎo)師，石大學(xué)者，校青年拔尖人才，自動(dòng)化專業(yè)及控制科學(xué)與工程學(xué)科建設(shè)負(fù)責(zé)人，擔(dān)任北京自動(dòng)化學(xué)會(huì)常務(wù)理事、中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專業(yè)委員會(huì)委員、中國(guó)自動(dòng)化學(xué)會(huì)教育工作委員會(huì)委員、中國(guó)化工學(xué)會(huì)信息技術(shù)應(yīng)用專業(yè)委員會(huì)副秘書長(zhǎng)、中國(guó)系統(tǒng)工程學(xué)會(huì)過(guò)程系統(tǒng)工程專業(yè)委員會(huì)委員等。研究領(lǐng)域?yàn)閺?fù)雜石油石化工業(yè)過(guò)程智能制造，主要方向有：機(jī)理與數(shù)據(jù)驅(qū)動(dòng)的故障診斷、復(fù)雜工業(yè)過(guò)程建模與優(yōu)化控制、工業(yè)過(guò)程計(jì)劃與調(diào)度優(yōu)化等。主持國(guó)家自然科學(xué)基金項(xiàng)目2項(xiàng)、北京市自然科學(xué)基金面上項(xiàng)目1項(xiàng)、校企聯(lián)合項(xiàng)目20多項(xiàng)，發(fā)表SCI/EI等各類論文50多篇。

Email：x.gao@cup.edu.cn