Python环境下基于关系网络的滚动轴承故障诊断方法_轴承故障诊断无样本学习方法

少样本学习最初是为了模拟小孩子的大脑而设计的，因为小孩子他们能够通过一个或几个事例来认识某样新事物。少样本学习的主要目标是通过先验知识或经验的迭代训练，使模型在少样本的情况下也能有很好的表现。根据上述条件，可以将少样本学习定义为是一种机器学习问题（由E，T，P三个条件指定），其中，T可代指某种分类任务，P可代指准确率等任务的评估标准，E可代指任务相关的数据集，其中包含任务T的监督信息且仅包含有限数量的实例。一般来说，现阶段的少样本研究方法可以分为三大类：（1）基于数据的，它使用先验知识来增强模型的效果。（2）基于模型的，它使用先验知识来减小假设空间的大小。（3）基于算法的，它使用先验知识改变在给定假设空间中的最佳搜索策略的方法。

少样本学习有一个常用定义，如果支持集包含N个故障类别，且每个类别中有K个故障实例，则称此少样本学习任务为N-wayK-shot任务。

基于数据的技术

基于数据的这一类技术旨在使用先验知识来增强训练数据，从而丰富监督信息，通过增强后的数据集可以获得更可靠的经验风险最小化的最佳假设。根据不同的增强方法，这一技术可以分为三种策略：（1）在目标数据集中增加数据，是将单个样本训练成多个不同的样本，使原有数据集中的样本变得多样[。（2）从弱标记、无标记数据集中选择目标标签的样本。（3）从相似数据集中转换数据，对少样本训练数据进行增强。

基于模型的技术

基于模型的方法又可以进一步分为四种类型：多任务学习、度量学习、使用外部存储器学习、生成模型。

基于算法的技术

使用先验知识来帮忙获取参数主要有两种方式：（1）提供一个效果良好的初始化参数。（2）直接学习一个优化器来输出搜索步骤。根据先验知识对搜索策略的影响，基于算法的技术可分为三类。

关系网络（RelationNetwork）具有与关系推理相适应的结构，能够较好地把握其中的关键。人工智能行为的一个基本概念就是能够对实体之间的关系进行推理。关系网络最初用于小样本条件下的图像分类, 与传统深度神经网络需要大量样本训练不同, 该网络能在少量训练样本情况下, 取得较好的图像分类结果。关系网络 包含嵌入模块和关系模块, 是一种端到端的结构。嵌入模块用来提取输入样本的特征; 关系模块用来度量两个特征之间的相似性, 得到关系得分。

鉴于此，提出一种基于关系网络的滚动轴承故障诊断方法，运行环境为Python，可能采用的数据集如下：

数据集A-D由西储大学CWRU轴承数据集而来，数据集E-F由KAt数据集而来，主代码如下：

import numpy as np
import scipy.io as sio 
import os
import Relation_Network as RN
import random
 
 
def get_data(datapath, is_normalization=False, is_fft=False):
    data = sio.loadmat(datapath)
    
    try:
        trainX = data['trainX'].astype(np.float32) 
        testX = data['testX'].astype(np.float32) 
        trainY = data['trainY']
        testY = data['testY']   
        if trainY.shape[0]>1:
            trainY = np.argmax(trainY, axis=1)
            testY = np.argmax(testY, axis=1)
        else:
            trainY = trainY-1
            testY = testY-1
    except:
        X = data['X'].astype(np.float32) 
        Y = np.argmax(data['Y'], axis=1)
        trainX, testX, train_indices, test_indices = utils.split_train_test(X, test_ratio=0.5)
        trainY, testY = Y[train_indices], Y[test_indices]
        
    if is_fft:
        trainX = np.absolute(np.fft.fft(trainX, axis=1)).astype(np.float32) 
        testX = np.absolute(np.fft.fft(testX, axis=1)).astype(np.float32) 
 
    if is_normalization:
        trainX, mu, sigma = utils.zscore(trainX, dim=0)
        testX = utils.normalize(testX, mu, sigma)
    return trainX, trainY, testX, testY
 
 
def get_sample_data(X, Y, num=10, classes=None):
    if classes is None: classes = len(np.unique(Y))
    
    Xs, Ys = [], [],
    for i in range(classes):
        idx = np.where(Y==i)
        idx = random.sample(list(idx[0]), num)
        
        Xs.extend(X[idx])    
        Ys.extend(Y[idx])    
    return np.array(Xs), np.array(Ys)
 
# ---------------------------------------------
#  few-shot learning with relation network
# ---------------------------------------------
datasets = ['dataA', 'dataB', 'dataC', 'dataD', 'dataE', 'dataF']
datapath = 'datasets/'
for i in [3]:
    utils.setup_seed(seed=0)
    data = datasets[i]
    save_result = f'./results/{data}'
    
    #utils.setup_seed(seed=0)
    trainX, trainY, testX, testY = get_data(datapath+data, is_fft=True)
    trainX, trainY = get_sample_data(trainX, trainY, num=5, classes=10) # randomly select a small number of training data
 
    
    ### Define Nets
    EM = RN.embedding_module(in_size=trainX.shape[1])
    RM = RN.relation_module(in_size=1024)
    #EM = RN.embedding_module2()
    #RM = RN.relation_module2()
    
    ### Train Nets
    model = RN.Relation_net(trainX, trainY, n_epoch=200, is_normalization=True)
    model = model.train(EM, RM)
         
    ### ensemble model with update
    out = model.test(testX)
    
    result = {}
    result['prediction'] = out['prediction']
    result['relation'] = out['relation']
    result['loss'] = model.loss
    result['true_label'] = testY
    
        
    if not os.path.exists(save_result): os.makedirs(save_result)
    sio.savemat(f'{save_result}/result-{model.n_support}shot.mat', result)   

结果如下：

完整代码可由知乎学术咨询获得：

Python环境下基于关系网络的滚动轴承故障诊断方法

工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。