变工况下基于先验知识驱动的元学习故障检测

《ISA Transactions》：Prior knowledge-driven meta-learning for fault detection under varying working conditions

　　

# 先验知识驱动元学习故障检测方法（PKML）

**摘要要点：**
- 提出了一种新颖的先验知识驱动元学习（PKML）框架，该框架：
- 融合了条件感知注意力机制，突出具有丰富条件信息的样本，从而增强嵌入表示的表征能力。
- 嵌入了条件调制层，动态调整分类器。

---

## 1. 引言

轴承作为旋转机械的关键部件，在确保设备运行稳定性和安全性方面发挥着至关重要的作用[1]。一旦此类部件失效，机械系统中可能发生级联故障，导致巨大的经济损失。因此，及时可靠的故障检测对于防止非计划停机、延长设备使用寿命至关重要。在实际工业工作条件下，轴承部件通常在复杂环境中运行，其特征包括负载波动、转速变化和不确定环境因素。因此，所获取的振动信号表现出显著的非线性和非平稳特性，以及明显的分布偏移。此外，由于故障标注成本高昂，标注故障样本通常稀缺，使得高度可靠的故障识别极具挑战性[2],[3]。

目前，针对轴承故障诊断的研究已大量开展，现有方法主要分为基于信号处理的方法和基于深度学习的方法。基于信号处理的方法通常利用模式分解[4]、经验模态分解（EMD）[5]和奇异值分解（SVD）[6]等技术从振动信号中提取故障特征。例如，文献[7]提出了一种非参数互补集合经验模态分解（NPCEEMD）方法，通过提取弱本征模态特征来识别轴承缺陷，无需手动指定信噪比。然而，这些方法在从时域分解过渡到频域特征提取时容易产生本征模态混叠，引入交叉干扰并降低故障检测精度[8]。基于深度学习的故障诊断方法，特别是卷积神经网络[9]，能够从原始振动信号中自动学习判别性特征，并在标注样本充足且工况相对稳定时实现优越的性能。Jiang等人[10]开发了一种面向去噪的卷积神经网络诊断框架，该框架集成了小波域注意力与基于格拉姆矩阵的噪声抑制，从而增强了强噪声条件下的诊断鲁棒性。然而，传统架构通常缺乏有效机制来处理不同工作条件下的数据分布偏移，当工况发生变化时，其诊断性能往往会显著下降。

为解决不同工作条件下数据分布偏移问题，基于迁移学习（TL）的故障诊断方法已被广泛采用[11]。迁移学习利用从源域获取的知识来改善相关目标域中的学习和诊断性能，同时减少对大规模标注数据的需求。文献[12]提出了一种多源迁移学习方法，通过优化源域样本并引入自监督增强策略，自适应地缓解域间分布差异，从而提高故障检测性能。Yang等人[13]提出了一种改进的深度迁移学习方法，将传动误差仿真数据与多尺度残差域自适应网络（MSR-DSAN）相结合，用于有限测试样本条件下的齿轮箱故障诊断。此外，Wu等人[14]引入了一种条件分布引导的对抗迁移学习网络（CDGATLN），通过对齐源数据和目标数据的分布来增强跨域可迁移性。尽管基于迁移学习的方法在域自适应方面显示出强大的潜力，但它们通常依赖大量源域样本进行预训练以学习可迁移的特征和模式[15]。在设备长期连续运行期间，故障发生相对罕见，尤其是对于罕见故障类型，样本采集困难，导致典型的少样本学习场景，限制了其实际有效性。

元学习（ML）作为少样本学习的训练范式，近年来在故障检测与诊断领域展现了显著的应用潜力。通过模拟多个少样本任务，该范式学习可迁移的知识和模式，能够在数据稀缺条件下快速适应新任务，同时保持稳定的检测性能[16]。基于此范式，Wang等人[17]开发了一种新颖的度量学习驱动元学习方法，采用具有自注意力增强和层次度量嵌入的卷积神经网络，用于气体绝缘开关柜中局部放电的少样本识别。类似地，Luo等人[18]引入了一种基于弹性原型网络（EPN）的元学习方法，该方法通过类原型表示支持少样本场景下的高效知识迁移。最近，提出了一种称为Wasserstein生成对抗网络与元学习（WGANML）的方法，该方法将Wasserstein生成对抗网络和元学习相结合，用于电机轴承故障的早期检测[19]，其中高质量样本特征生成显著增强了诊断鲁棒性和准确性。此外，文献[20]提出了一种新颖的与模型无关的元学习策略，用于物联网（IoT）安全中的入侵检测，通过优化初始模型参数，在有限训练数据条件下实现对新型攻击场景的快速适应。近期研究表明，仅靠少样本自适应可能不足以解决跨条件分布偏移问题。Ren等人[21]将分布相似性纳入元任务构建中，以强调与目标条件相关的源任务。文献[22]将元学习与域对抗图学习相结合，以减少跨域特征差异；Lin等人[23]引入多源信息融合以改善不同运行条件下特征的鲁棒性。自适应特征编码和元优化也被研究用于严重域差异下的跨机器泛化[24]。这些研究表明，分布偏移仍然是基于元学习的故障诊断面临的主要挑战。尽管取得了这些进展，现有方法主要通过任务选择、域对齐、域不变特征学习或优化改进来处理跨条件差异。传统元学习通常依赖共享初始化或表示空间，并通过有限的支撑集更新或相似性计算获取任务特定信息。因此，它缺乏显式机制来提取代表性的条件模式并利用其指导特征自适应。先验知识也已通过基于阶次跟踪的信号处理和自监督诊断知识嵌入等方式引入[25]；然而，此类知识主要来源于预定义变换或辅助目标。从支撑集中显式学习条件感知的结构信息并将其纳入任务自适应过程的研究仍然不足。

为解决这一研究空白，本文提出了一种面向变工况下少样本故障检测的先验知识驱动元学习方法（PKML）。与主要通过任务重加权、域对齐或域不变特征学习来缓解跨条件差异的现有方法不同，PKML从支撑集中显式提取条件感知的结构表示，并在任务特定参数更新之前将其纳入自适应过程。在本研究中，先验知识并非指外部物理模型、人工定义的专家规则或预定义的信号处理变换，而是指一种数据驱动的结构表示，用于表征与当前工作条件相关的代表性样本模式和特征响应。具体而言，引入了一种可学习的样本注意力机制，学习支撑集输入的归一化加权分布，从而在条件嵌入构建过程中调整其相对贡献。注意力对数几率在情景式元学习目标下与嵌入网络联合优化。加权样本随后被编码为任务级条件嵌入。同时，采用宽深卷积神经网络（WDCNN）[26]作为骨干分类器，从振动信号中提取故障相关特征。学习的条件嵌入随后通过专门设计的基于逐特征线性调制（FiLM）[27]的条件模块映射为特征级调制参数。这些参数根据推断的条件信息动态重新校准骨干分类器的中间特征表示。通过将显式条件感知结构建模与基于梯度的元自适应相结合，PKML为传统支撑集更新补充了任务特定的条件信息，从而增强了对未见工作条件的适应和泛化能力。

本研究的主要贡献如下：
1) 本文提出了一种面向变工况下少样本故障诊断的先验知识驱动元学习框架（PKML）。
2) 开发了一种条件嵌入学习策略，利用条件感知样本注意力机制在不同工作条件下选择性地加权代表性支撑样本。
3) 设计了一个专门的条件调制模块，将学习的条件嵌入注入骨干分类器中。
4) 在三个基准轴承故障数据集上评估了所提出的PKML方法，包括案例西储大学（CWRU）、帕德博恩大学（PU）和江南大学（JNU）数据集。

论文结构安排如下。第2节概述元学习的理论基础。第3节详细阐述PKML方法。第4节描述了一系列对比实验和消融研究以评估PKML的有效性。最后，第5节对全文进行总结与讨论。

---

## 2. 符号说明

为便于理解，表1汇总了所提出的PKML框架中使用的主要符号和记号。

### 2.1 与模型无关的元学习

在元学习中，目标是使模型能够处理多个类别（N-way）的任务，同时仅依赖少量标注样本（K-shot）[28]。传统元学习算法通常分为两个主要阶段：元训练和元测试。在元训练阶段，从训练分布中随机采样任务。一个典型任务由一个支撑集构成……

---

## 3. PKML：故障检测方法

在本节中，我们提出了一种面向变工况故障诊断的先验知识驱动元学习（PKML）模型。PKML模型以从代表性支撑样本中学到的条件感知结构信息形式构建先验知识，从而捕获不同工作条件下的典型特征模式。整体框架由嵌入网络和元学习基础分类器组成。具体而言，嵌入网络聚合……

---

## 4. 案例分析

为全面评估所提出的PKML方法的检测性能，采用案例西储大学（CWRU）[31]、帕德博恩大学（PU）[32]和江南大学（JNU）[33]的轴承数据集进行了详细的案例分析。此外，通过将所提出的PKML方法与若干先进方法（包括CNN-FT[34]、CNN-MMD[35]、MAML、原型网络（PN）[36]、关系网络[37]）进行比较，验证了其有效性。

---

## 5. 结论

本文提出了PKML方法，该方法显式集成了条件知识和动态自适应机制，以增强少样本和变工况下的故障检测性能。首先，基于MAML范式，我们将不同工作条件下的元任务样本编码为嵌入向量。其次，为确保精确且鲁棒的嵌入表示，我们引入了样本注意力机制，优先关注富含特定条件特征的样本，从而……

---

## CRediT作者贡献声明

**Xu Yuan**：撰写 – 审阅与编辑，撰写 – 原始草稿，可视化，监督指导。

**Wu Ke-Yu**：撰写 – 审阅与编辑，撰写 – 原始草稿，验证，监督指导，概念化。

**Liu Ming-Jia**：验证，资金获取，形式分析，数据管理，概念化。

**Ma Feng**：验证，资金获取，数据管理，概念化。

**Luo Yi**：验证，方法论，资金获取，概念化。

**Ke Wei**：验证，资金获取，形式分析。

---

## 利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

---

## 致谢

本研究由北京市自然科学基金（L2609006）和国家自然科学基金（No. 62673038）资助。

**作者列表：** Xu Yuan | Wu Ke-Yu | Liu Ming-Jia | Ma Feng | Luo Yi | Ke Wei | He Yan-Lin | Zhu Qun-Xiong | Zhang Yang | Zhang Ming-Qing