Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis
文章目录
- Preface
- Problem Formulation
- 向量空间中的表述
- 零样本故障诊断的公式编制
- Method
- 基于故障描述的属性迁移学习
- 可行性分析
- Experiment
- Tennessee–Eastman 过程(TEP)
- 真实火电厂过程
Preface
本文采用基于故障描述的属性迁移方法,研究了无训练样本的目标故障类别的故障诊断场景。与传统的诊断范式不同,每个故障提供了包含任意属性的故障描述作为辅助信息。故障描述层嵌入在故障样本层和故障类别层之间。基于故障描述层中的细粒度和类共享属性,可以构建级联诊断系统,将训练故障的属性知识转移到目标故障,进行零样本故障诊断。在基于故障描述的方法中,我们还采用了有监督的主成分分析作为特征提取器,为更有效的学习过程提供了与属性相关的特征。
主要贡献:
- 首次完成并解决了零样本故障诊断任务,即尝试在不需要其样本的情况下诊断目标故障。
- 提出了一种基于故障描述的方法,以故障描述为辅助知识源,实现了训练故障向目标故障的属性迁移,从而进行了零样本诊断。
Problem Formulation
向量空间中的表述
对每种故障进行故障描述,以提供细粒度的类级信息。该描述由任意的属性组成,包括故障的影响、具体的故障位置、故障的原因等。
每个属性在向量空间中都是一个维度,对故障的描述表示为a′∈RC′a'\in \mathbb{R}^{C'}a′∈RC′,其中C′C'C′是属性的数量。
对于LLL类故障,描述矩阵可以记为A′∈RL×C′A'\in \mathbb{R}^{L\times C'}A′∈RL×C′。
本文采用独热编码技术制作稀疏矩阵A∈RL×C=one−hot(A′)A\in \mathbb{R}^{L\times C}=one-hot(A')A∈RL×C=one−hot(A′),其中CCC为独热编码的维数。
AAA中的所有元素都是1或0,这表示该属性在某个故障类别的描述中存在或不存在。
零样本故障诊断的公式编制
与迁移学习类似,源域:S={s1,...,sq}S=\{s_1,...,s_q\}S={s1,...,sq},其中qqq为已知类别数,目标域:T={t1,...tp}T=\{t_1,...t_p\}T={t1,...tp},其中ppp为未知类别数。目标域没有训练数据,并且T∩S=∅T\cap S=\varnothingT∩S=∅。SSS中的样本记为:S={XS∈RNS×D,Y∈RNS}\mathscr{S}=\{X_S\in \mathbb{R}^{N_S\times D},Y\in \mathbb{R}^{N_S}\}S={XS∈RNS×D,Y∈RNS},NS,DN_S,DNS,D分别是样本数和特征维度。零样本故障诊断学习了从SSS到TTT的fff映射:
- 这里的CLossCLossCLoss表示任意的损失函数
进一步的:
- 其中属性描述矩阵A=[AS,AT]∈RL×C,L=p+qA=[A_S,A_T]\in \mathbb{R}^{L\times C},L=p+qA=[AS,AT]∈RL×C,L=p+q
PS:SSS的属性描述矩阵ASA_SAS和T的ATA_TAT都可用于模型训练,因为属性描述是类级的,而不是样本级的;是常识,而不是专业的专家知识。
Method
基于故障描述的属性迁移学习
困局:在训练阶段无法获得目标故障的参数向量ααα
基于故障描述的零样本故障诊断任务方法的基本思想如图所示:
- Step 1:特征提取,训练标签YSY_SYS和训练故障描述ASA_SAS合并成训练属性标签ZS=[z1S,...,zCS]Z_S=[z_1^S,...,z_C^S]ZS=[z1S,...,zCS],即每个故障样本由CCC维属性向量描述。对{X,ziS}(i=1,...,C)\{X,z_i^S\}(i=1,...,C){X,ziS}(i=1,...,C)进行PCA,提取属性相关特征。训练样本xxx的特征记为bbb,变换记为φ\varphiφ
- Step 2:映射,不是直接学习特征和标签之间的映射,而是在训练阶段的监督方式下为每种属性aia_iai训练一个属性学习器αi(i=1,...,C)α_i(i = 1,...,C)αi(i=1,...,C)。在测试时,这些属性学习器允许对目标故障的每个测试样本进行预测属性值(1或0)。请注意,只要训练和目标故障的属性在相同的维度中描述,对于更多的属性学习器就不需要额外的训练。
- Step 3:分类,由于目标故障的故障描述已知:AT∈Rp×CA_T\in \mathbb{R}^{p\times C}AT∈Rp×C,从故障描述到故障类别的推理规则βββ可以获得并用于测试样本,如最近邻搜索等
从概率论的角度精确描述为:
- Step 1:b=φ(x)b=\varphi(x)b=φ(x)
- Step 2:p(a∣b)=Πi=1Cp(ai∣b),a∈RCp(a|b)=\Pi_{i=1}^Cp(a_i|b),a\in \mathbb{R}^Cp(a∣b)=Πi=1Cp(ai∣b),a∈RC
- Step 3:a→ta\rightarrow ta→t,第ttt个类的属性向量aaa表示为at=[a1t,...,aCt]a^t=[a_1^t,...,a_C^t]at=[a1t,...,aCt]
基于贝叶斯规则,该推理表述为:
- [a=at]=0∣1[a=a^t]=0|1[a=at]=0∣1,由于ATA_TAT已知,得:p(at∣t)=1p(a^t|t)=1p(at∣t)=1
- p(at)=Πi=1Cp(ait)p(a^t)=\Pi_{i=1}^Cp(a_i^t)p(at)=Πi=1Cp(ait),其中 p(ait)=1qΣj=1qaisjp(a_i^t)=\frac{1}{q}\Sigma_{j=1}^qa_i^{s_j}p(ait)=q1Σj=1qaisj为先验属性知识
测试样本中得到测试故障类别的后验为:
b=φ(x)b=\varphi(x)b=φ(x),只用最大后验估计得到最佳输出:
- atja^{t_j}atj为第jjj个目标故障类别的故障描述向量,aitja_i^{t_j}aitj表示atja^{t_j}atj的第iii个元素。
可行性分析
Experiment
提供两个Case,Tennessee–Eastman 过程和真实火电厂过程
Tennessee–Eastman 过程(TEP)
TEP由五个主要子系统组成,包括反应器、冷凝器、汽液分离器、循环压缩机和产品剥离器。
该数据集提供了21种故障,每种故障都由41个测量变量和11个操纵变量进行描述。
每个故障的训练采集了480个样本。
由于后6种故障在数据集中的描述较少,因此本文采用前15种故障来进行零样本故障诊断。
表1介绍了15种故障类别,研究的TEP的15种故障存在差异,其中一些方法的模型训练样本为零
TEP在向量空间中的属性描述的配置,即属性矩阵AAA,如图所示:
具体的属性名称见表2。
每种故障都由20个细粒度的属性来描述。将表II与表I进行比较,可以很容易地从表I的陈述中得出属性描述,根据故障描述,我们在没有样本的情况下对目标故障进行模型训练。
- 特征提取。PCA,对于每个属性,从原始的52个变量中提取20个特征,形成20 ×\times× 20=400个特征的数据集
- 属性学习器训练。三种不同的机器学习算法:线性支持向量机(LSVM)、非线性随机森林(RF)和概率朴素贝叶斯(NB)
- 分类。最近邻搜索,欧式距离法
数据集划分:
实验效果:
对比实验:
真实火电厂过程
步骤与Case1相似
论文
Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis相关推荐
- 【论文阅读笔记】Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer
摘要: 本文主要研究训练和测试类别不相交时(即没有目标类别的训练示例)的对象分类问题.在此之前并没有对于毫无关联的训练集和测试集进行对象检测的工作,只是对训练集所包含的样本进行分类.实验表明,通过使用 ...
- 论文阅读【异常检测】ModelCoder: A Fault Model based Automatic Root Cause Localization Framework for Microservi
ModelCoder: A Fault Model based Automatic Root Cause Localization Framework for Microservice Systems ...
- Visual Attribute Transfer through Deep Image Analogy论文阅读笔记
Visual Attribute Transfer through Deep Image Analogy论文阅读笔记 介绍 论文提出了一种新的两张图片直接进行视觉属性迁移的方法.该方法针对的是两张具有 ...
- IMaT: Unsupervised Text Attribute Transfer via Iterative Matching and Translation
IMaT: Unsupervised Text Attribute Transfer via Iterative Matching and Translation 大致流程 1.Matching:在目 ...
- Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer(阅读报告)
该论文发表在CVPR2009上,工作的主要的开创性在于:在此之前并没有对于毫无关联的训练集和测试集进行对象检测的工作.简单来说,对于监督学习训练的分类器而言,只能对训练集中包括的样本类别进行分类,比如 ...
- 论文笔记:Visual Attribute Transfer through Deep Image Analogy
这是一篇讲解图像类比(Image Analogy)的文章. 给定一组图片:A和B'.A提供语义Semantic("是什么")和内容Content(如图片的哪个位置会有这个objec ...
- Description Based Text Classification with Reinforcement Learning
论文连接 文本分类通常分为两个阶段 文本特征提取 文本分类 在标准化形式中,类别仅代表了标签词汇表中的索引,模型缺乏关于分类内容的描述. 论文方法概述 论文提出了一个新的文本分类框架,其中每个类别标签 ...
- Small sample challenge in mechanicall fault diagnosis | 机械故障诊断中的小样本问题 文献追踪
在机械故障诊断领域,对智能诊断方法的研究如火如荼.基于对大量机械信号的分析,智能故障诊断方法在实验室数据上取得了很好的结果.然而,工程实际中机械设备长时间处于正常(无故障)的工作状态,能采集到的故障信 ...
- Cross Domain Knowledge Transfer for Person Re-identification笔记
Cross Domain Knowledge Transfer for Person Re-identification笔记 1 介绍 2 相关工作 3 方法 3.1 特征提取的ResNet 3.2 特 ...
最新文章
- linux7.5进单用户模式,linux进入单用户模式
- 基于jQuery焦点图片新闻代码(JS+CSS)
- php7 void,2.10.PHP7.1 女神级教程-女神的私人信息 -【PHP 函数】
- python里怎么读取文件-python如何读取文件的数据
- poj 3841 Double Queue (AVL树入门)
- 陈纪修老师《数学分析》 第08章:反常积分 笔记
- 用c语言编程质数和合数,《质数和合数》教学设计
- Vue/ElementUI上传文件检验
- Guava: Joiner
- 立创开源 | 基于555定时器的电子琴设计
- 2022-2028年中国氧化铝陶瓷基板行业竞争现状及投资决策建议报告
- 计算机图形学入门(十二)-阴影映射Shadow mapping(为光线追踪准备)
- QT 多显示屏获取屏幕分辨率
- easypanel php.ini,Linux下EasyPanel及PHP安装升级
- hive难点以及例子SXT
- SpringBoot 实现自定义钉钉机器人
- BP神经网络对鸢尾花进行分类
- RO段、RW段和ZI段
- 《余世维有效沟通》学习笔记
- 导学目录-学如逆水行舟
热门文章
- 133、H3C交换机恢复出厂和各种基本配置
- Linux命令学习总结
- 最值得期待的 5 个新特性解析JavaScript ES2021
- web 前端签名插件_signature_pad插件实现电子签名功能
- 用 python 操作 Acad 绘图 的学习笔记
- xampp php搭建失败,ThinkPHP框架搭建及常见问题(XAMPP安装失败、Apache/MySQL启动失败),thinkphpxampp...
- Android 4.4 Kit Kat 源码下载
- Go语言处理Windows系统的图标ICO文件(中)
- mysql数据库操作宠物表_mysql数据库及表的基本操作
- 八年级英语下册计算机教学总结,初中信息技术教学工作总结