Part.1/文章摘要

論文提出了一種通用的模型不可知元學(xué)習(xí)（GMAML）方法，用于在異質(zhì)信號(hào)驅(qū)動(dòng)的不同工況下，進(jìn)行軸承的少樣本故障診斷。該方法采用多核高效通道注意力特征編碼器，用于從不同的故障數(shù)據(jù)中提取共享的診斷知識(shí)。

同時(shí)，引入靈活的權(quán)重引導(dǎo)因子，調(diào)整訓(xùn)練策略并優(yōu)化不同診斷任務(wù)的內(nèi)循環(huán)權(quán)重，從而提高整體的泛化性能。通過(guò)在加速度和聲學(xué)信號(hào)方面的應(yīng)用，驗(yàn)證了該方法在多種少樣本跨領(lǐng)域場(chǎng)景下的有效性和廣泛適用性。

Part.2/主要工作與貢獻(xiàn)

該論文提出了一種新的方法，即通用模型不可知元學(xué)習(xí)（GMAML），用于解決軸承故障診斷中的少樣本跨領(lǐng)域問(wèn)題。與現(xiàn)有的跨領(lǐng)域元學(xué)習(xí)故障診斷研究不同，后者僅限于同質(zhì)信號(hào)，而本論文提出的方法是首個(gè)探索涉及異質(zhì)信號(hào)場(chǎng)景的研究，從而進(jìn)一步擴(kuò)展了元學(xué)習(xí)故障診斷的適用性。換句話說(shuō)，過(guò)去的研究在跨領(lǐng)域元學(xué)習(xí)故障診斷中主要關(guān)注同質(zhì)信號(hào)的情況，即相同類型的信號(hào)數(shù)據(jù)。

然而，本論文所提出的方法是第一次嘗試探索在涉及不同類型信號(hào)的情況下進(jìn)行跨領(lǐng)域故障診斷。這樣的嘗試具有創(chuàng)新性，因?yàn)樗鼘⒐收显\斷的應(yīng)用范圍擴(kuò)展到了更廣泛的信號(hào)類型，從而使得元學(xué)習(xí)在實(shí)際應(yīng)用中更具有實(shí)用性這表明論文從方法層面上具有創(chuàng)新性，試圖解決目前研究中存在的挑戰(zhàn)。

Part.3/ ** 研究**方法****

論文引入了一種名為多核高效通道注意力特征編碼器(multi-kernel efficient channel attention)簡(jiǎn)稱MK-ECA的技術(shù)，用于從不同信號(hào)中提取共享的故障診斷知識(shí)。Efficient Channel Attention (ECA) 模塊是一種嵌入在神經(jīng)網(wǎng)絡(luò)中的模塊。它主要包含了一個(gè)全局平均池化（GAP）層，一個(gè)一維卷積（1-D Convolution）層和 Sigmoid 激活函數(shù)，其結(jié)構(gòu)如圖1所示。

該模塊的設(shè)計(jì)旨在提高神經(jīng)網(wǎng)絡(luò)中的特征提取能力，特別是在多通道數(shù)據(jù)中。它通過(guò)全局平均池化層在輸入特征上獲取各通道的全局信息，然后通過(guò) Sigmoid 激活函數(shù)學(xué)習(xí)每個(gè)通道的權(quán)重。這使得網(wǎng)絡(luò)能夠選擇性地關(guān)注輸入數(shù)據(jù)中的重要部分，并抑制不太相關(guān)的部分。這種機(jī)制有助于模型更好地捕捉關(guān)鍵的故障信息。

此外，ECA 模塊結(jié)合了特征圖的深度和空間信息，從而能夠獲得全局的通道信息。與全連接層相比，ECA 模塊使用了一維卷積核，這有效地降低了計(jì)算和復(fù)雜性，同時(shí)通過(guò) Sigmoid 激活函數(shù)學(xué)習(xí)通道權(quán)重。卷積核的大小是通過(guò)與通道數(shù)相關(guān)的函數(shù)自適應(yīng)地確定的，這有助于適應(yīng)不同維度的通道數(shù)據(jù)。

總之，ECA 模塊通過(guò)全局信息匯聚和通道權(quán)重學(xué)習(xí)，使得神經(jīng)網(wǎng)絡(luò)能夠更聚焦地提取重要特征，從而增強(qiáng)了特征的表達(dá)能力，尤其在多通道數(shù)據(jù)中，這對(duì)于故障診斷等任務(wù)尤為有益。論文在特征提取和表示學(xué)習(xí)方面做出了探索，以便更好地捕捉不同工況下的共性信息。

圖1 MK-ECA的結(jié)構(gòu)

論文還設(shè)計(jì)了一種靈活的內(nèi)循環(huán)權(quán)重引導(dǎo)因子（weight guidance factor）簡(jiǎn)稱WGF，用于在不同的診斷任務(wù)之間調(diào)整訓(xùn)練策略和內(nèi)循環(huán)權(quán)重。權(quán)重引導(dǎo)因子是一個(gè)設(shè)計(jì)的因子，用于調(diào)整不同診斷元任務(wù)的訓(xùn)練策略，以增強(qiáng)診斷模型的泛化性能。它通過(guò)兩個(gè)關(guān)鍵步驟來(lái)實(shí)現(xiàn)這一目標(biāo)：

（1）內(nèi)循環(huán)權(quán)重更新：在每個(gè)訓(xùn)練批次中，通過(guò)使用初始的網(wǎng)絡(luò)參數(shù)，在內(nèi)循環(huán)中更新模型的權(quán)重。這個(gè)更新過(guò)程考慮了內(nèi)循環(huán)學(xué)習(xí)率和WGF，以使模型能夠更加專注地學(xué)習(xí)每個(gè)特定任務(wù)的關(guān)鍵特征。

（2）外循環(huán)網(wǎng)絡(luò)訓(xùn)練：使用在內(nèi)循環(huán)中更新的權(quán)重，在外循環(huán)中在查詢集合上進(jìn)行網(wǎng)絡(luò)訓(xùn)練。通過(guò)外循環(huán)的梯度下降法更新，模型的參數(shù)在不同任務(wù)之間得到平衡，從而實(shí)現(xiàn)更好的泛化性能。

WGF的核心思想在于，它允許模型根據(jù)不同的診斷任務(wù)靈活地調(diào)整參數(shù)，以適應(yīng)任務(wù)之間的差異。通過(guò)在內(nèi)外循環(huán)中的交替訓(xùn)練，模型逐漸學(xué)會(huì)如何更好地平衡和適應(yīng)不同任務(wù)的特點(diǎn)，從而提高了在各種診斷場(chǎng)景中的性能。這個(gè)方法使模型在小樣本跨領(lǐng)域故障診斷問(wèn)題中變得更加通用和適應(yīng)。

模型的結(jié)構(gòu)以MAML模型為基線，其結(jié)構(gòu)如圖2所示。

圖2 GMAML的結(jié)構(gòu)

WGF的核心是調(diào)整內(nèi)循環(huán)的學(xué)習(xí)率和內(nèi)循環(huán)權(quán)重更新，以便根據(jù)具體任務(wù)特點(diǎn)來(lái)優(yōu)化模型。通過(guò)在內(nèi)循環(huán)中采用較小的學(xué)習(xí)率和WGF，模型可以更加關(guān)注特定任務(wù)的細(xì)節(jié)和關(guān)鍵信息。在外循環(huán)中，通過(guò)在 Query集合上訓(xùn)練模型參數(shù)，模型可以應(yīng)用于更廣泛的場(chǎng)景，從而提高泛化性能。

綜上所述，內(nèi)循環(huán)權(quán)重引導(dǎo)因子（WGF）是一種用于調(diào)整訓(xùn)練策略以提高模型泛化性能的方法。通過(guò)在內(nèi)外循環(huán)中動(dòng)態(tài)地調(diào)整學(xué)習(xí)率和權(quán)重更新，WGF 使模型能夠在不同的診斷元任務(wù)中靈活應(yīng)對(duì)，從而更好地適應(yīng)各種診斷情況。

Part.4/實(shí)驗(yàn)驗(yàn)證

驗(yàn)證在不同場(chǎng)景下的應(yīng)用：論文通過(guò)應(yīng)用于加速度和聲學(xué)信號(hào)數(shù)據(jù)，展示了該方法在多種異構(gòu)跨領(lǐng)域情境下小樣本故障診斷的有效性。這表明論文不僅停留在理論層面，還在實(shí)際數(shù)據(jù)上進(jìn)行了驗(yàn)證。

圖3 不同方法的準(zhǔn)確率

Part.5/閱讀心得

綜上所述，該論文主要關(guān)注軸承故障診斷領(lǐng)域中的少樣本跨領(lǐng)域問(wèn)題，通過(guò)引入通用模型不可知元學(xué)習(xí)方法和多核高效通道注意力特征編碼器，以及靈活的權(quán)重引導(dǎo)因子，來(lái)提升故障診斷模型在不同工況下的泛化能力。同時(shí)，通過(guò)實(shí)際數(shù)據(jù)的驗(yàn)證，證明了該方法的有效性和適用性。