基于距离加权的少标签开集域故障诊断方法与装置
本发明涉及人工智能,特别是指一种基于距离加权的少标签开集域故障诊断方法与装置。
背景技术:
1、在智能制造与工业自动化领域,机械设备(如液压凿岩机、高速轴承、风力发电机等)的故障诊断对于保障生产安全与连续性至关重要。随着传感器技术和数据采集系统的普及,基于深度学习的智能故障诊断方法取得了显著进展,能够从振动、电流、温度等多维信号中自动提取特征并识别设备健康状态。
2、然而,实际工业场景中,基于深度学习的故障诊断方法面临两个普遍存在的现实约束:一是标签稀缺,获取高质量的故障标签往往需要设备停机、拆解或依赖专家经验,成本极高,导致大量工业数据处于“无标签”状态;二是开集问题,设备的故障模式并非固定不变,随着运行时间增加、工况变化或部件老化,时常会出现训练阶段未曾定义的“未知故障”类型。
3、在标签稀缺与“开集”双重约束下,现有故障诊断方法存在明显缺陷。传统的闭集分类模型(如基于softmax的深度神经网络)假设训练集与测试集的故障类别完全一致。当未知故障样本输入时,模型仍会强行将其预测为某一已知故障类别,产生严重误判。为解决开集识别问题,一些解决方式为尝试引入阈值判别机制——例如,当模型预测的最大softmax概率低于预设阈值时,判定为未知类。然而,此类方法的有效性高度依赖于人工设定的固定阈值。在少标签条件下,由于可用标注样本极少,模型训练不充分,特征空间的类间边界模糊、类内分布松散,导致模型对已知故障的预测置信度普遍偏低且波动剧烈。此时,固定阈值极易失效:阈值设置过高,会将大量已知故障误判为未知故障(漏报);阈值设置过低,则会将未知故障误判为已知故障(误报),二者均会引发严重的安全隐患。
4、因此,本领域亟需一种能够在少标签条件下,区分已知故障与未知故障准确率较高的开集故障诊断方法。
技术实现思路
1、为了解决现有技术中的在少标签条件下,开集故障诊断区分已知故障与未知故障准确率较低的问题,本发明实施例提供了一种基于距离加权的少标签开集域故障诊断方法与装置。所述技术方案如下:
2、一方面,提供一种基于距离加权的少标签开集域故障诊断方法,包括:
3、获取工业设备的原始传感器信号样本,所述原始传感器信号样本包括第一数量的有标签样本和第二数量的无标签样本,所述第一数量小于所述第二数量,所述有标签样本标注了当前样本对应的已知故障类别;
4、对所述有标签样本进行强弱增强处理,生成所述有标签样本对应的强增强样本和弱增强样本,基于所述强增强样本的预测结果与所述弱增强样本的预测结果之间的交叉熵损失,训练标签生成分类器;将无标签样本输入训练好的标签生成分类器,对每个无标签样本生成软伪标签,基于所述有标签样本和所述无标签样本及所述无标签样本对应的软伪标签,通过包含预测概率分布正则化项和每样本平均熵正则化项的半监督学习,训练获得预训练编码器,使用所述有标签样本对所述预训练编码器进行调整,获得距离提取编码器;
5、使用所述距离提取编码器对伪标签训练集样本进行特征提取,获得每个样本的激活向量,对于每一已知故障类别,将所述距离提取编码器的预测结果与当前样本的伪标签一致的样本作为有效样本,对所述有效样本的激活向量取平均,得到当前故障类别的类别中心,获取待测样本,使用所述距离提取编码器提取所述待测样本的特征向量,确定所述待测样本的特征向量到每个类别中心的距离信息;
6、基于所述预训练编码器,使用所述有标签样本以边界优化约束进行监督调整,获得分类特征提取器,使用所述分类特征提取器确定所述待测样本的分类概率信息;
7、将所述距离信息与所述分类概率信息进行加权融合,得到k+1维的开集识别概率分布,其中k+1为故障类别的个数,第k+1维表示未知类别,第1维至第k维均为已知类别,并根据所述开集识别概率分布判断所述待测样本属于已知故障类别或未知故障类别。
8、本发明实施例提供的方法通过强弱增强策略和一致性约束训练标签生成分类器,能够在仅依赖少量有标签样本的条件下为大规模无标签数据生成高质量软伪标签,有效解决了工业场景中标签获取成本高、标注样本稀缺的问题;通过引入预测概率分布正则化项和每样本平均熵正则化项的半监督学习获得预训练编码器,并分别以有标签样本微调获得距离提取编码器和以边界优化约束监督微调获得分类特征提取器,实现了距离信息与分类概率信息的解耦与联合建模——融合后的k+1维开集识别概率分布以第k+1维直接表征未知类别概率,无需依赖人工设定的硬阈值即可精准区分已知故障与未知故障,避免了传统开集识别方法在数据分布漂移时阈值失效的问题,同时通过筛选预测正确的伪标签样本参与类别中心计算,有效克服了少标签条件下因标注样本过少无法构建稳定聚类中心的缺陷,显著提升了开集故障诊断的准确率和泛化能力。
9、可选的,基于所述强增强样本的预测结果与所述弱增强样本的预测结果之间的交叉熵损失,训练标签生成分类器,通过如下方式执行:
10、训练过程中,对于每个有标签样本,计算其弱增强样本的预测结果与强增强样本的预测结果之间的交叉熵损失;
11、基于所述交叉熵损失更新所述标签生成分类器的参数,生成训练好的标签生成分类器。
12、通过计算每个有标签样本的弱增强样本预测结果与强增强样本预测结果之间的交叉熵损失来更新标签生成分类器,强制同一原始样本的弱增强视图与强增强视图产生一致的预测输出,使标签生成分类器学会关注与故障本质相关的特征而非增强操作带来的扰动,显著提升了模型在噪声环境下的鲁棒性;同时,该一致性约束使得即使仅有少量有标签样本,也能通过强弱增强产生的多个视图充分挖掘每个样本的结构化信息,有效扩充了有效训练样本量,缓解了少标签条件下模型容易过拟合的问题;此外,该方法为后续对无标签样本生成高质量伪标签奠定了坚实基础,提升了整个开集故障诊断框架的准确性和稳定性。
13、可选的,所述半监督学习的损失函数为:
14、,其中,,其中,是模型预测属于第j个类别的概率,是软伪标签分布在第j类上的输出,n是样本数,c是类别数,,其中,为均匀分布,为模型的平均归一化指数函数概率,,其中代表第j类别的的输出,、为加权参数。
15、通过引入预测概率分布正则化项,约束模型的平均输出分布趋近于均匀分布,防止模型将所有样本预测为少数几个类别,有效解决了少标签条件下模型容易产生类别偏置的问题,同时,通过引入每样本平均熵正则化项,使每个样本的预测分布集中在单个类别上,防止模型输出模糊预测,提高分类边界的稳定性,两种正则化项协同作用,在整体上平衡了输出分布、避免了因数据分布不均或过拟合引起的类别偏置,并鼓励模型合理分配样本类别,特别适用于存在未知故障模式的开集识别场景。
16、可选的,所述类别中心通过如下公式进行确定:
17、,其中,是平均激活向量,表示在分类过程中第k类分类正确的样本数量,为k个类别中,在伪标签训练集上分类正确的样本激活向量,表示伪标签训练集中属于第k类的样本集合。
18、通过基于伪标签训练集中分类正确的样本激活向量计算类别中心,充分利用了通过半监督学习扩增后的高质量伪标签数据,解决了少标签条件下因标注样本过少无法构建稳定聚类中心的问题,同时,通过筛选分类正确的样本参与类别中心计算,避免了错误伪标签对类别中心精度的负面影响,使得构建的类别中心更贴近真实的故障特征分布,为后续基于距离信息的开集识别提供了可靠的空间参考基准。
19、可选的,所述边界优化约束的损失函数为:
20、,其中,为样本模型的原始输出,是经过logit层的第c类输出,m为边界惩罚项,为除目标类c以外的其他类别索引。
21、通过在闭集分类器中引入边界优化约束,对已知类别的目标类添加惩罚项,迫使模型学习更紧凑的类内分布和更清晰的类间边界,从而在少标签条件下获得更稳定、更准确的分类输出,该边界优化机制有效缓解了少标签训练导致的特征空间坍塌问题,为已知故障类别预留了更清晰的决策边界,同时为未知故障类别在特征空间中预留了独立的表达区域,提升了开集识别性能。
22、可选的,所述将所述距离信息与所述分类概率信息进行加权融合,通过如下公式执行:
23、,其中,为经过边界优化的分类器的输出,为经过归一化的距离信息模块的输出,k为已知故障类别个数;
24、第k+1维对应的概率通过如下公式确定:
25、,
26、其中表示样本属于未知故障类别第m+1类的概率,表示样本属于第k个已知类的概率,表示经过距离信息修正后的第k个已知类的概率。
27、通过将边界优化后的分类器输出与归一化后的距离信息进行加权融合,实现了对已知类识别置信度与空间距离信息的联合建模;该融合机制使模型在面对未知故障样本时,既能利用分类器输出的概率信息,又能利用样本到各类别中心的几何距离信息进行综合判断,显著降低了对单一信息来源的依赖;最终通过将k类已知概率扩展为k+1维开集概率分布,以第k+1维直接表征样本属于未知类别的概率,实现了无需预设阈值的开集识别,从根本上解决了传统阈值方法在少标签条件下易失效的问题。
28、可选的,将无标签样本输入训练好的标签生成分类器,对每个无标签样本生成软伪标签,包括:
29、将无标签样本输入训练好的标签生成分类器,确定各已知故障类别的预测概率值,取预测概率值最大的已知故障类别作为当前无标签样本的伪标签,基于所述伪标签进行温度缩放调整,生成当前无标签样本的软伪标签,其中温度缩放调整通过如下方式执行:
30、,其中,是是样本在类别j上的输出,为温度缩放参数,用于控制软伪标签分布的平滑程度。
31、通过先取预测概率最大的类别作为伪标签,再经过温度缩放调整生成软伪标签,既保留了伪标签的类别指向性,又通过温度参数控制了预测分布的平滑程度,在训练初期采用较大温度参数使分布趋于平滑,保留更多不确定性信息以缓解确认偏差;在训练后期逐渐减小温度参数使分布趋于尖锐,增强监督信号强度,这种动态调整机制有效改善了伪标签方法因确认偏差而过度拟合错误标签的问题,提升了半监督学习的稳定性和最终模型的泛化能力。
32、另一方面,本发明实施例还提供一种基于距离加权的少标签开集域故障诊断装置,所述基于距离加权的少标签开集域故障诊断装置用于实现本发明实施例提供的基于距离加权的少标签开集域故障诊断方法,所述装置包括:
33、获取单元,用于获取工业设备的原始传感器信号样本,所述原始传感器信号样本包括第一数量的有标签样本和第二数量的无标签样本,所述第一数量小于所述第二数量,所述有标签样本标注了当前样本对应的已知故障类别;
34、处理单元,用于对所述有标签样本进行强弱增强处理,生成所述有标签样本对应的强增强样本和弱增强样本,基于所述强增强样本的预测结果与所述弱增强样本的预测结果之间的交叉熵损失,训练标签生成分类器;
35、生成单元,用于将无标签样本输入训练好的标签生成分类器,对每个无标签样本生成软伪标签,基于所述有标签样本和所述无标签样本及所述无标签样本对应的软伪标签,通过包含预测概率分布正则化项和每样本平均熵正则化项的半监督学习,训练获得预训练编码器,使用所述有标签样本对所述预训练编码器进行调整,获得距离提取编码器;
36、第一确定单元,用于使用所述距离提取编码器对伪标签训练集样本进行特征提取,获得每个样本的激活向量,对于每一已知故障类别,将所述距离提取编码器的预测结果与当前样本的伪标签一致的样本作为有效样本,对所述有效样本的激活向量取平均,得到当前故障类别的类别中心,获取待测样本,使用所述距离提取编码器提取所述待测样本的特征向量,确定所述待测样本的特征向量到每个类别中心的距离信息;
37、第二确定单元,用于基于所述预训练编码器,使用所述有标签样本以边界优化约束进行监督调整,获得分类特征提取器,使用所述分类特征提取器确定所述待测样本的分类概率信息;
38、判断单元,用于将所述距离信息与所述分类概率信息进行加权融合,得到k+1维的开集识别概率分布,其中k+1为故障类别的个数,第k+1维表示未知类别,第1维至第k维均为已知类别,并根据所述开集识别概率分布判断所述待测样本属于已知故障类别或未知故障类别。
39、另一方面,本发明实施例还提供一种基于距离加权的少标签开集域故障诊断设备,所述基于距离加权的少标签开集域故障诊断设备包括:
40、处理器;
41、存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现本发明实施例提供的方法。
42、另一方面,本发明实施例还提供一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行本发明实施例提供的方法。
43、本发明实施例提供的技术方案带来的有益效果至少包括:
44、本发明实施例提供的方法通过强弱增强策略和一致性约束训练标签生成分类器,能够在仅依赖少量有标签样本的条件下为大规模无标签数据生成高质量软伪标签,有效解决了工业场景中标签获取成本高、标注样本稀缺的问题;通过引入预测概率分布正则化项和每样本平均熵正则化项的半监督学习获得预训练编码器,并分别以有标签样本微调获得距离提取编码器和以边界优化约束监督微调获得分类特征提取器,实现了距离信息与分类概率信息的解耦与联合建模——融合后的k+1维开集识别概率分布以第k+1维直接表征未知类别概率,无需依赖人工设定的硬阈值即可精准区分已知故障与未知故障,避免了传统开集识别方法在数据分布漂移时阈值失效的问题,同时通过筛选预测正确的伪标签样本参与类别中心计算,有效克服了少标签条件下因标注样本过少无法构建稳定聚类中心的缺陷,显著提升了开集故障诊断的准确率和泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com