【《基于网络学习的故障诊断方法研究国内外文献综述》5000字】

[23]。其使用编码器和注意力机制设置特征提取网络，之后通过半监督的方式进行原型细化。而且不同于大部分对特征提取网络做预训练的方法，其通过原型进行判断，即现在得到有标签数据的原型，然后无标签数据特征得到原型并对其进行更新细化，最后在问询集中，其特征可通过已经得到的原型判断自己的类型。图STYLEREF1\s1.SEQ图\*ARABIC\s111一维元关系网络图STYLEREF1\s1.SEQ图\*ARABIC\s112SSMN网络元学习方法故障检测，即通过学习学习过程本身来增强模型自身的泛化能力。在监督学习中，目的是拟合一个函数，能将输入映射到输出的标签。同样的，在监督元学习中，目的是通过带标签的数据训练集与测试输入得到输出。元学习中的训练集通常是包含不同类别的小的数据集的集合。而测试的输入则是不在训练数据类别中的新数据，该模型也被称为与模型无关的元学习MAML。具体来说，其神经网络的结构和损失函数都是未知的，但是可以通过优化内循环与外循环快速适应梯度下降的参数，来使其保持泛化能力。在使用时，MAML分为元训练阶段与元测试阶段。模型经过元训练阶段双循环参数更新得到模型参数，在元测试阶段MAML就能基于新样本计算新模型参数，并使用新模型参数来对样本进行预测。在故障诊断中的应用如图1.13所示。在元训练阶段使用不同场景数据(∇L1,∇L2,∇L3)图STYLEREF1\s1.SEQ图\*ARABIC\s113MAML应用于轴承故障诊断的元学习示意图参考文献周东华,王桂增.第五讲故障诊断技术综述[J].化工自动化及仪表,1998(01):3-5.黄富.液压系统故障诊断方法综述[J].液压与气动,2006,57(1).池红卫.复杂过程工业系统故障诊断与预测方法的研究[D].天津大学,2004.沈剑贤,周霞.故障容错免疫系统[J].汽轮机技术,2007,3.GuoL,LeiY,XingS,etal.Deepconvolutionaltransferlearningnetwork:Anewmethodforintelligentfaultdiagnosisofmachineswithunlabeleddata[J].IEEETransactionsonIndustrialElectronics,2018,66(9):7316-7325.WittenIH,FrankE.Datamining:practicalmachinelearningtoolsandtechniqueswithJavaimplementations[J].AcmSigmodRecord,2002,31(1):76-77.LeiY,LiN,GuoL,etal.Machineryhealthprognostics:AsystematicreviewfromdataacquisitiontoRULprediction[J].Mechanicalsystemsandsignalprocessing,2018,104:799-834.LuW,LiangB,ChengY,etal.Deepmodelbaseddomainadaptationforfaultdiagnosis[J].IEEETransactionsonIndustrialElectronics,2016,64(3):2296-2305.P.M,Frank.AnalyticalandQualitativeModel-basedFaultDiagnosis–ASurveyandSomeNewResults[J].EuropeanJournalofControl,1996,2(1):6-28.）高智.离合器综合性能试验台控制与故障诊断系统研究[D].长春工业大学,2010.周东华,胡艳艳.动态系统的故障诊断技术[J].自动化学报,2009,35(006):748-758.张萍,王桂增,周东华.动态系统的故障诊断方法[J].控制理论与应用,2000(2).王仁杰.智能飞控故障诊断系统的研究与实现[D].电子科技大学,2020.胡静波,周前飞.基于故障树的专家系统在起重机运行机构故障诊断中的应用[J].机械制造与自动化,2018.吴明强,史慧.故障诊断专家系统研究的现状与展望[J].第十四届全国测试与故障诊断技术研讨会,2007:22-29.陈玉东,施颂椒,翁正新.动态系统的故障诊断方法综述[D].,2001.DingX,HeQ.Energy-fluctuatedmultiscalefeaturelearningwithdeepconvnetforintelligentspindlebearingfaultdiagnosis[J].IEEETransactionsonInstrumentationandMeasurement,2017,66(8):1926-1935.JiaF,LeiY,LinJ,etal.Deepneuralnetworks:Apromisingtoolforfaultcharacteristicminingandintelligentdiagnosisofrotatingmachinerywithmassivedata[J].MechanicalSystemsandSignalProcessing,2016,72:303-315.ViolaJ,ChenYQ,WangJ.FaultFace:Deepconvolutionalgenerativeadversarialnetwork(DCGAN)basedball-bearingfailuredetectionmethod[J].InformationSciences,2021,542:195-211.ZhangS,YeF,WangB,etal.Few-ShotBearingAnomalyDetectionviaModel-AgnosticMeta-Learning[C]//202023rdInternationalConferenceonElectricalMachinesandSystems(ICEMS).IEEE,2020:1341-1346.ZhangA,LiS,CuiY,etal.Limiteddatarollingbearingfaultdiagnosiswithfew-shotlearning[J].IEEEAccess,2019,7:110895-110904.SungF,YangY,ZhangL,etal.Learningtocompare:Relationnetworkforfew-shotlearning[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2018:1199-1208.FengY,ChenJ,ZhangT,etal.Semi-supervisedmeta-learningnetworkswithsqueeze-and-excitationattentionforfew-shotfaultdiagnosis[J].ISAtransactions,2021.AnZ,LiS,WangJ,etal.Generalizationofdeepneuralnetworkforbearingfaultdiagnosisunderdifferentworkingconditionsusingmultiplekernelmethod[J].Neurocomputing,2019,352:42-53.YangB,LeiY,JiaF,etal.Anintelligentfaultdiagnosisapproachbasedontransferlearningfromlaboratorybearingstolocomotivebearings[J].MechanicalSystemsandSignalProcessing,2019,122:692-706.WenL,GaoL,LiX.Anewdeeptransferlearningbasedonsparseauto-encoderforfaultdiagnosis[J].IEEETransactionsonSystems,Man,andCybernetics:Systems,2017,49(1):136-144.ZhangZ,ChenH,LiS,etal.Anovelgeodesicflowkernelbaseddomainadaptationapproachforintelligentfaultdiagnosisundervaryingworkingcondition[J].Neurocomputing,2020,376