基于主动增量式学习的故障诊断知识挖掘方法

The incomplete characteristics of sample data lead to great troubles when gaining the fault knowledge, which is one of the key issues in fault diagnosis. It is proposed on the basis of an in-depth analysis for the incomplete sample labeling, the incomplete sample types and the incomplete sample numbers in a typical industrial system as an object. To address the challenge, a fault diagnosis method is proposed to mine fault knowledge actively and incrementally based on active learning and incremental learning in the project. The method labels the types of samples by active learning firstly, then discovers unknown fault types or optimizes the performance of classification automatically by the samples which is labeled continuously. The research content includes: multi-objective active learning; incremental learning which can change operating modes; multi-level sampling method for the incomplete sample numbers. The research is distinguished by: 1. The selective ensemble algorithm in the incremental learning based on multi-objective active learning is proposed, which can learn the fault knowledge actively, reduce the dependence on experts and improve the practical ability of the fault diagnosis system. 2. In order to improve the efficiency of the fault diagnosis system, the objective of active learning can be adjusted adaptively between discovering unknown fault types and optimizing the performance of classifiers based on the data distribution; the operating modes of the incremental learning can be changed based on the variational requirements for base classifiers.

项目以典型工业系统为背景，在深入分析故障诊断中样本标记不完备，样本类别不完备，样本数量不完备的基础上，指出样本数据的不完备特性对故障诊断的关键环节之一—故障知识的获取造成很大的困难。为应对这一挑战，项目以主动学习和增量学习为基础，研究一种面向知识挖掘的主动增量式故障诊断方法。该方法通过主动学习标记故障类型，并利用不断获得的标签样本发现未知故障类别和优化分类器性能。研究内容包括：多目标主动学习方法；可切换工作模式的增量学习方法；面向样本数量不完备的多层次采样方法。研究的显著特点是： 1、提出了多目标主动学习的选择性集成增量学习算法，能够随着系统的运行自主学习故障知识，降低故障诊断系统对人工专家的依赖，提高了系统的可应用性。2、依据数据分布在发现新类别和优化分类器之间自适应调整主动学习的目标，并依据不同目标对基分类器要求的不同，相应的转换集成增量分类器的工作模式，提高了故障诊断系统的工作效率。

工业现场使用大量的传感器获取生产过程的工况数据。但是，这些工况数据中绝大部分数据都是无标签的数据。其次，这些工况数据中蕴含的故障类别是不完备的。第三，这些数据中各种工况的样本数量是不完备的。故障监控数据中样本标记不完备，样本类别不完备，样本数量不完备的特点，对智能故障诊断系统中的知识获取造成了很大的困难。从一定意义上说，知识的获取已经成为智能故障诊断研究的瓶颈问题，它直接关系到故障诊断准确性和早期预报的可靠性。因此，如何在数据不完备的情况下，通过自主学习，尽可能多的挖掘数据中蕴含的故障知识，设计可以主动标记故障类型，发现未知故障类别的增量式故障诊断方法，是一个具有重要理论意义和很高工程实用价值的科学问题。项目设计了一套基于主动学习的故障知识提取方法，采用多目标策略，使方法在不断变化的环境中动态变换学习目标，对典型的未知故障样本和已知故障样本进行标注，解决了样本标记不完备的问题；再辅以面向样本数量不完备的多层次采样方法和可切换工作模式的增量学习方法，以训练数据数量的再平衡和分类器优化设计为手段，扩充故障知识库，不断完善诊断模型，解决了样本数量不完备和样本类别不完备的问题；从研究结果看，该方法在拥有完备数据集训练的情况下，取得了和监督类故障诊断方法相似的性能，在非完备数据集训练的情况下，显著提高了对未知故障的预测能力，同时提高了对已知故障的识别精度。该方法尝试将主动学习理论应用在故障诊断领域，是对现有的监督和非监督类故障诊断方法的创新，也是对主动学习方法的有益补充与提升，不仅有望解决现有复杂制造系统中因数据样本标记不完备，样本类别不完备，样本数量不完备而导致的决策难、控制难等问题；并从工程应用角度进一步降低操作复杂性，提高故障诊断精度。