据2024年5月份最新数据显示,同济大学CIMS研究中心联合华中科技大学数字制造装备与技术国家重点实验室沈卫明教授团队,于2023年发表在 IEEE Transactions on Industrial Informatics期刊上的论文“Few-shot learning for fault diagnosis with a dual graph neural network”被ESI数据库遴选为高被引论文,目前已经受到了来自上海交通大学、中南大学、浙江大学、西安交通大学、英国伦敦国王学院等课题组的研究人员广泛关注和引用。
![](/__local/6/B0/56/59DDEA4FCC2DC5C0094FF01ECBD_FAFACC73_1C91B.png)
高被引论文(Highly Cited Paper)是基于近10年发表的出版物,按每个ESI学科领域和出版年统计的引用次数排名前1%的论文。高被引论文一定程度上是科研突出和卓越影响力的指标,可用于全球范围内基于学科领域基线来做科研表现对标分析。
文章信息:
Few-shot learning for fault diagnosis with a dual graph neural network (2023),IEEE Transactions on Industrial Informatics,
Han Wang, Jingwei Wang, Yukai Zhao, Qing Liu, Min Liu*, Weiming Shen
https://doi.org/10.1109/TII.2022.3205373
论文创新点
机械故障诊断对于确保智能制造系统中设备的安全运行至关重要。现有的深度学习方法难以在少量有标注数据场景下保持良好的性能,而且,目前的小样本故障诊断方法没有考虑到支持集样本和查询集样本之间的关系(包括两个样本之间的成对关系和所有样本之间的高阶关系),导致在极少量数据情况下表现不佳,也无法利用更容易采集到的大量无标注数据来提高诊断精度。
论文设计了一种新颖的小样本故障诊断网络——双图神经网络,用于在极少量有标注数据情况下学习查询集之间的多阶关系。通过在实例图和分布图之间的交替更新策略,将极少量有标注样本的标签信息传播给无标注数据,从而解决了半监督故障诊断任务。
研究背景
制造设备大数据的日益普及为探索机械预测性维护的方法和工具提供了前所未有的机遇。预测性维护的目的是预防机械故障或在故障发生前发现故障,以减少损失。在过去几十年中,研究人员对旋转机械的故障诊断给予了极大关注。
在实际工业场景中,旋转机器通常在正常条件下工作,很少发生故障,因此能采集到的故障数据很少。传统深度学习方法在数据量较小的工业故障诊断中无法保持其优势。
基于小样本学习的故障诊断方法旨在获得一个深度学习模型,该模型能够使用支持集中的极少量有标注样本来识别查询集中未见过样本的故障类型。目前的小样本故障诊断方法没有考虑到支持集样本和查询集样本之间的关系,无法利用无标注数据来提高诊断精度。
技术突破
本文提出双图神经网络(DGNNet)用于解决小样本故障诊断问题,如图1所示,核心思路是通过实例图学习所有样本的实例特征以及样本之间的实例级关系,通过分布图学习分布式特征和分布级关系。通过在实例图和分布图之间的交替更新策略将极少量有标注样本的标签信息传播给无标注数据,从而解决半监督故障诊断任务。
![](/__local/6/21/3C/851F349705550046D8D5EAEF4F1_23B02552_112228.png)
图1 双图神经网络的总体框架。(无标注样本仅用于半监督小样本故障诊断)
结论
所提出的DGNNet引入图神经网络学习样本之间的多阶关系,通过实例图和分布图的交替更新,实现了在极少量有标注数据和无标注数据之间的标签传播。该方法在监督和半监督故障诊断场景中均取得了较好的表现。基于该技术,可以在识别未见过的故障类别上进一步拓展研究,并加强其在跨领域问题上的泛化性和鲁棒性。