一种基于无梯度自适应元学习的设备故障诊断方法及系统

摘要: 本发明属于设备故障诊断与预测性维护,具体涉及一种基于无梯度自适应元学习的设备故障诊断方法及系统。背景技术:1、风电齿轮箱、滚动轴承、冶金轧机、轨道交通电机等工业...
一种基于无梯度自适应元学习的设备故障诊断方法及系统

本发明属于设备故障诊断与预测性维护,具体涉及一种基于无梯度自适应元学习的设备故障诊断方法及系统。

背景技术:

1、风电齿轮箱、滚动轴承、冶金轧机、轨道交通电机等工业旋转设备,电梯曳引机、新能源汽车减速器等民用机电装备,以及航空发动机、机载伺服系统、舰船动力系统等高端装备,在长期运行过程中均可能受到载荷变化、环境扰动、部件磨损及运行工况波动等因素影响,从而出现性能劣化、运行异常甚至故障失效。对上述设备开展运行状态监测、异常识别及劣化趋势预警,对于保障设备安全可靠运行、降低非计划停机风险及提升运维效率具有重要意义。

2、在实际运行过程中,上述设备除产生振动信号外,还可能伴随产生电流、压力、功率等多类型时序信号。受设备运行机制、负载水平及外部环境持续变化的影响,该类时序数据通常具有明显的非平稳性和工况依赖性,使得不同运行阶段的数据分布存在较大差异,增加了异常检测与状态评估的难度。

3、现有设备异常检测方法在实际应用中仍面临若干共性问题。其一,设备在全寿命周期内大部分时间处于正常运行状态,正常样本数量充足,而故障样本数量有限,部分异常类型甚至缺乏有效标注,形成典型的小样本或类别不均衡问题。其二,设备负载、环境条件及运行模式长期变化,基于固定数据分布建立的检测模型在变工况条件下检测性能下降明显。其三,实际监测系统通常需要部署于边缘终端或嵌入式设备,其计算资源相对有限,而现有深度学习模型参数规模较大,难以兼顾检测精度与实时部署需求。其四,现有方法多侧重于对已发生的异常状态进行识别,对于设备由正常状态向异常状态逐步演化过程中的早期微弱特征缺乏有效表征能力,难以实现异常状态的提前发现和劣化趋势预警。

4、现有技术中,cn122262875a采用固定秩的lora对诊断模型微调,依靠梯度反向传播更新低秩参数,但固定秩无法适配不同工况的复杂度差异。cn120822090a采用标准maml双层元更新机制对卷积主干全部权重执行元更新,参数量巨大,稀缺故障样本下容易过拟合。cn120011923a根据每轮损失梯度波动幅度迭代调整lora有效秩,但极小样本场景下梯度噪声剧烈,秩分配逻辑容易失真。上述三类最接近的对比专利均仅针对单台独立设备设计,且仅设置单一故障分类任务,无法实现早期故障预警。

技术实现思路

1、本发明的目的在于提供一种基于无梯度自适应元学习的设备故障诊断方法及系统,以期解决现有小样本故障诊断方法中梯度噪声导致秩分配失真、工况复杂度无法客观量化、全量参数微调导致过拟合、以及缺乏早期预警功能的技术问题。

2、为了实现上述目的,本发明采用以下技术方案:

3、一种基于无梯度自适应元学习的设备故障诊断方法,包括:

4、获取预训练的时序基础模型,所述时序基础模型中嵌入有低秩适配模块,所述低秩适配模块包含多个低秩分量;冻结所述时序基础模型的主干网络参数;

5、获取目标设备在当前工况下的少量标注时序样本作为支撑集;

6、提取所述支撑集在所述主干网络输出空间中的特征分布;

7、基于所述特征分布及离线存储的参考特征分布,无梯度地计算当前工况的复杂度指标;

8、根据所述复杂度指标,通过门控函数计算所述多个低秩分量各自的连续门控权重,并根据所述连续门控权重构成当前工况的低秩适配增量;在当前工况的在线适配开始时,根据所述连续门控权重确定当前工况的有效低秩分量,并基于所述有效低秩分量的集合确定当前工况的有效低秩适配参数;其中,所述复杂度指标越高,筛选出的有效低秩分量的数量越多;

9、将离线获得的低秩适配初始参数、故障分类头初始参数分别初始化为当前工况的在线快速适配参数,基于当前工况支撑集上的故障分类损失,对所述在线快速适配参数进行有限步梯度更新,更新过程中所述主干网络参数及所述元参数均保持冻结,得到适配当前工况的故障诊断模型;

10、利用所述故障诊断模型对待测时序数据进行前向推理,输出故障分类结果。

11、在一些实施例中,所述基于所述特征分布及离线存储的参考特征分布,无梯度地计算当前工况的复杂度指标,包括:

12、提取所述支撑集在所述主干网络输出空间中的特征中心均值;

13、获取离线存储的历史工况全局特征中心均值;

14、计算所述特征中心均值与所述历史工况全局特征中心均值之间的分布偏移n,以及计算所述支撑集的非平稳性统计量d;

15、将所述分布偏移n与所述非平稳性统计量d进行加权求和,得到所述复杂度指标:将所述分布偏移n与所述非平稳性统计量d进行加权求和,得到所述复杂度指标:,其中,和为离线优化后的加权系数。

16、在一些实施例中,所述分布偏移n为特征中心均值与全局特征中心均值的归一化距离;所述非平稳性统计量d为所述支撑集时序信号的归一化非平稳性统计量,且n和d均映射至[0,1]区间。

17、在一些实施例中,所述根据所述工况复杂度,通过门控函数计算所述多个低秩分量各自的门控权重,并根据所述门控权重对多个低秩分量进行连续加权,构成当前工况的低秩适配增量,根据所述低秩适配增量构成当前目标工况的目标低秩参数,包括:

18、获取离线存储的门控向量s和灵敏度向量α,所述门控向量和灵敏度向量的维度与所述低秩分量的总数相同;所述低秩适配模块的当前工况的低秩适配增量矩阵表示为:,其中为预设最大适配秩,为sigmoid函数,bk和为低秩参数b和a的第k个分量,为全部门控向量s的第k个分量,为灵敏度向量的第k个分量,且,,为当前工况复杂度指标;根据所述低秩适配增量矩阵构成当前工况的目标低秩适配参数。

19、在一些实施例中,所述在当前工况的在线适配开始时,根据所述连续门控权重确定当前工况的有效低秩分量,包括:

20、在当前工况的在线适配时,对各低秩分量对应的连续门控权重进行阈值二值化,并按照下式计算当前工况的有效适配秩:;其中,为指示函数,条件成立时输出1,不成立时输出0;将满足所述门控权重大于0.5的低秩分量确定为有效低秩分量;根据所述有效秩确定筛选出的有效低秩分量的数量。

21、在一些实施例中,所述利用离线获得的元参数之前,还包括离线元学习训练步骤:

22、获取多个历史工况下的时序样本,按工况划分为多个元任务,每个元任务包含支撑集和查询集;

23、冻结所述时序基础模型的主干网络参数,初始化全套元参数;所述全套元参数至少包括:所述低秩适配模块的初始低秩矩阵、分类头参数、预测头参数、门控向量、灵敏度向量及加权系数;

24、执行双层元学习循环迭代:

25、内层:针对每个元任务的支撑集,计算该元任务的复杂度指标,根据所述复杂度指标通过连续门控权重构建该元任务对应的动态低秩适配子空间,利用当前全局元参数初始化快速适配参数,计算联合损失并对所述快速适配参数进行梯度更新,得到临时适配参数;

26、外层:利用所述临时适配参数在该元任务的查询集上计算总损失,根据所述总损失反向传播更新所述全套元参数;

27、迭代至收敛后,保存所述时序基础模型、更新后的全套元参数及所述参考特征分布。

28、在一些实施例中,所述联合损失为:;

29、其中为预测故障标签与真实故障标签之间的交叉熵分类损失,为预测轨迹与真实未来信号之间的均方误差,为预测损失权重。

30、在一些实施例中,所述内层更新为:

31、,为由当前全局元参数初始化的快速适配参数的初始值,为执行一次内层梯度更新后得到的快速适配参数的新值,β为内层自适应学习率,为当前元任务的支撑集;

32、所述外层更新为:

33、;其中为全套元参数,为外层元更新学习率,为当前元任务的查询集。

34、在一些实施例中,所述方法还包括故障预警步骤:在所述适配当前工况的故障分类模型中设置时序预测头,所述时序预测头的初始参数由离线元训练获得;在线阶段固定所述时序基础模型主干参数,基于当前工况支撑集上的故障分类损失和时序预测损失构成的联合损失,对与有效低秩分量对应的低秩适配参数、故障分类头参数和时序预测头参数进行有限步更新,得到分类-预测联合适配模型;利用所述分类-预测联合适配模型输出故障分类结果和未来预测时序序列,根据所述预测时序序列与预测时域内到达的对应真实时序观测序列之间的残差计算异常分数:;其中 h为预测时域步长,为设备真实信号在τ时刻的多通道观测值,为模型输出的τ时刻预测值;

35、所述异常分数超过基于健康参考窗口确定的预警阈值时输出早期故障预警信号,所述预警阈值为:;

36、其中,,分别为健康参考窗口内异常分数的均值和标准差,为预警阈值放大系数;当所述异常分数超过预设阈值δ时,输出早期故障告警信号。

37、在一些实施例中,所述输出早期故障告警信号之前,还包括:

38、当所述异常分数超过所述预设阈值且当前未触发过预警时,输出早期故障告警,记录预警与设备失效的间隔时长,并锁定预警状态避免重复报警。

39、本实施例还提供了一种基于无梯度自适应元学习的设备故障诊断系统,包括:

40、信号采集模块,用于实时采集设备的多通道时序信号;

41、时序预处理与元任务构建模块,用于对采集的时序信号进行滑动窗口切片、归一化,以及元任务支撑集与查询集划分;

42、离线元学习训练模块,包括冻结主干单元、低秩适配嵌入单元、无梯度工况复杂度计算单元、门控筛选单元及双层元学习训练单元,用于执行离线元学习训练并输出时序基础模型、全套元参数及历史工况特征中心均值;

43、新工况在线自适应适配模块,包括特征提取单元、无梯度工况复杂度前向计算单元、有效秩筛选单元及参数微调单元,用于在新工况下基于少量标注样本对所述低秩适配参数进行快速微调,输出适配当前工况的诊断模型;

44、推理输出模块,用于利用适配完成的诊断模型对待测时序数据进行前向推理,输出故障分类结果。

45、在一些实施例中,所述离线元学习训练模块中的无梯度工况复杂度计算单元,具体用于:

46、提取当前元任务支撑集在冻结主干网络输出空间中的特征中心均值,获取离线存储的历史工况全局特征中心均值;计算所述特征中心均值与所述历史工况全局特征中心均值之间的分布偏移n,以及计算所述支撑集的非平稳性统计量d;并按公式计算当前元任务的复杂度指标。

47、在一些实施例中,所述新工况在线自适应适配模块中的有效秩筛选单元,具体用于:

48、按如下公式计算有效秩:

49、;其中,为指示函数,条件成立时输出1,不成立时输出0;将满足所述门控权重大于0.5的低秩分量确定为有效低秩分量;根据所述有效秩确定筛选出的有效低秩分量的数量。

50、在一些实施例中,所述推理输出模块还包括:

51、时序预测子单元,用于同步输出未来时域步长的预测时序序列;3异常分数计算子单元,用于按如下公式计算窗口级异常分数:

52、;其中 h为预测时域步长,为设备真实信号在τ时刻的多通道观测值,为模型输出的τ时刻预测值;

53、当所述异常分数超过预设阈值时,输出早期故障告警信号。

54、预警阈值校准子单元,用于在设备健康状态下采集样本计算异常分数的均值,和标准差,并按计算所述预设阈值并存储,其中为预设的阈值放大系数;

55、预警信号下发子单元,用于在实时异常分数超过所述预警阈值时下发早期故障告警信号。

56、本发明具有如下有益效果:

57、一、首创无梯度工况复杂度代理机制,彻底消除梯度噪声干扰

58、现有技术依赖梯度反向传播来调整lora秩,在极小样本场景下梯度噪声剧烈,导致秩分配逻辑失真。本技术通过独创的工况复杂度代理机制,仅通过网络前向特征统计量(分布偏移量+非平稳性统计量)来量化工况复杂度,全程不接入反向梯度链路,从根源上消除了梯度震荡和参数漂移问题,大幅提升了未知工况下小样本适配的稳定性。

59、二、实现工况复杂度驱动的lora秩自适应分配,平衡精度与算力

60、现有技术采用固定秩lora,无法适配不同工况的复杂度差异——简单工况算力冗余、复杂工况表征能力不足。本技术通过门控驱动机制,根据工况复杂度代理值自动分配有效秩:工况越复杂,激活的低秩分量越多;工况越简单,有效秩自动缩减。在保证诊断精度的前提下,显著降低了边缘端推理算力消耗。

61、三、轻量化元学习架构,参数量仅为全量maml的4.7%,从源头抑制过拟合

62、现有技术对主干网络全量参数进行maml元更新,参数量巨大,稀缺故障样本下严重过拟合,无法部署于边缘终端。本技术冻结时序基础模型主干,仅对轻量lora参数进行元训练与在线微调,可训练参数量大幅减少,从架构层面抑制了小样本过拟合,适配工业边缘终端轻量化部署。

63、四、首创分类-时序生成预测双任务共享参数架构,填补早期预警空白

64、三篇现有技术均仅设置单一故障分类任务,只能在故障完全爆发后确诊,不具备早期预警能力。本技术通过共享lora参数搭建故障分类与时序生成预测双任务分支,联合损失相互正则进一步提升小样本泛化能力;同时,通过计算预测时序与真实时序之间的残差来生成异常分数,在故障完全爆发前即可触发预警,形成工业预测性运维完整闭环。

65、五、场景通用性强,覆盖单机设备与多装备耦合系统

66、现有三类对比专利仅针对单台独立旋转机械部件设计,无法适配风电集群、轨道交通整车、航空动力分系统等多装备耦合复杂工程系统。本技术不局限于单设备振动信号,可兼容电流、压力、功率等全部时序信号类型,同时可拓展至多装备耦合复杂工程系统的全局监测,适配多源异构传感、分层边缘算力部署、连锁故障预判的工程需求,工程适用层级与场景广度显著优于现有技术。