【ETH博士论文】标签和数据稀缺下的故障诊断，130页pdf

基于代表性和大规模的训练数据集的深度学习在各个领域都取得了令人印象深刻的性能提升。随着工业资产条件监测数据的日益增多，深度学习在故障检测和诊断中具有巨大的潜力。不幸的是，在安全关键系统的背景下，可用的训练数据集通常既不具代表性也不是大规模的。原因主要有两个：首先，故障在安全关键系统中非常罕见，导致故障样本稀少。此外，即使出现异常或故障，也很难确定它们发生的确切时间，导致标签稀少且不精确。其次，有大量的操作条件影响条件监测数据。在有限的观察时间内，不可能收集到一个涵盖所有相关条件的代表性数据集。由此产生的数据和标签稀缺性会限制深度学习模型在条件评估中的性能。尽管已经提出了一些解决数据和标签稀缺的解决方案，但它们往往做出了在现实世界场景中经常不现实的隐含或明确的假设。本论文解决了这些现实世界的挑战和局限，并提出了四个主要贡献。首先，尽管之前已经研究了如何增强故障诊断模型对变化操作环境的鲁棒性，但先前提出的方法并未考虑除了操作环境的变化之外，还可能在部署时出现新的健康状况。我们提出了一种基于对比特征学习的方法，可以同时实现两个目标：（1）对操作环境变化的鲁棒性和（2）对新故障的敏感性。其次，为了使故障诊断模型能在不同的操作环境之间传输，常见的限制是同样的故障类别必须在两种操作环境下都发生，而且操作环境的变化很小。这些限制严重限制了现有方法在实际工业应用背景下的域适应任务的应用。为了消除这些限制，我们提出了一种数据生成方法，该方法对于具有极端标签空间差异的域适应特别有益，因此，它适用于在操作环境变化下的故障诊断的现实设置。第三，为了解决标签噪声的挑战，先前提出的方法通常需要关于标签噪声的先验知识。这在现实中往往是不可得的，因此，现有方法不适合在现实的操作背景下应用。我们消除了这一局限性，开发了一种仅依赖于标签噪声水平的粗略估计的方法。最后，在监视资产的第一阶段，其中可能只有健康数据可用时，已经提出了不同的故障检测方法。现有的异常检测算法通常忽略了数据中的异常不仅是由故障引起的，还是由操作环境的变化引起的。如果每次操作环境发生变化时都检测到故障，异常检测将引发许多错误警报，因此，它不能在实际操作中部署。为了反制这一点，我们适应了对比特征学习以使其适用于异常检测设置，并在两个在实际服务条件下记录的数据集上证明了该方法的优越性。我们证明了我们提出的方法可以在现实世界的约束条件下显著提高故障检测和诊断性能，减轻先前存在的局限性，并扩展了在条件监控中深度学习的现实设置的适用性。因此，所提出的框架扩展了深度学习模型在监控条件中的现实情境的适用性。