论文笔记：Limited Data Rolling Bearing Fault Diagnosis With Few Shot Learning

论文：基于少样本学习的小样本滚动轴承故障诊断 Limited Data Rolling Bearing Fault Diagnosis With Few Shot Learning

**摘要：**这篇paper主要是用少量的training data训练数据做故障诊断。在故障诊断领域最大的困难就是在正常工作环境下对于每一种故障类型都没有充足的训练样本。近年来，基于深度学习的方法做故障诊断有了很好的成果，但是，大多数方法要求有足够的训练数据。在这篇文章中，我们提出了一个基于小样本学习方法用少量的数据做滚动轴承故障诊断的深度神经网络。我们的模型基于孪生神经网络，通过输入相同或不同类别的样本对。实验结果用凯斯西储大学数据集（CWRU），显示我们的小样本学习方法用少量的数据做故障诊断是非常有效的。当用最少量的训练数据在不同的噪声环境下测试时，我们小样本学习的方法超过在合理噪声基准线的水平，当评估用新的故障类型或新的工作条件下的测试集时，小样本模型优于用所有故障类型做训练的模型。

**Introduction：**故障诊断被应用在各个方面，比如制造业、航空航天、汽车、发电和运输。近年来，用深度学习的智能诊断技术吸引了很多关注，因为避免了时间耗费的依赖性和人工分析的不准确性，增加了效率。然而，大多数的技术要求有大量的训练数据。在现实的故障诊断中，相同故障的信号在不同的工作环境下会有很大的差别，导致在故障诊断主要的挑战就是:通常是不可能包含有足够的样本让分类器对每一种故障类型都能做出分类。这种情况出现的几种原因：
1.工业系统不允许出现故障，尤其是精密系统或设备带来的后果不可预测。
2.大多数机电故障发生的很慢并且遵循一个老化的过程，像一个系统故障的老化可能 花费数月或者很多年，导致很难收集到相关的数据。
3。机器系统的工作环境非常复杂并且根据产品要求需要时不时的频繁改变，这对于 收集并标记足够的训练样本是很难实现的。
4.特别是在真实的条件下，故障类别和工作环境是经常不平衡的。在不同的工况条件下对每一种故障类型收集足够的样本是非常困难的。
有一些小样本故障诊断的研究：将PCA应用在高维和不平衡的故障诊断数据上；支持向量数据描述方法应用到不平衡数据的机械故障诊断。近年来，深度学习在一些应用领域受到令人印象深刻的结果：计算机视觉、图像视频处理、语音识别和自然语言处理。深度学习也被应用到故障诊断，包含一些最新的成果：AE、RBM、CNNs、RNNs、迁移学习、GANs。…为解决工况条件的变化问题，迁移学习、域自适应、特征转移神经网…为解决不平衡数据，用GANs模型对每个少量的故障模式评估数据分布，来综合性的增加size
深度神经网络从大量数据学习低维或高维特征已经很好并且也已经广泛的应用到故障诊断。然而，除了基于迁移学习的方法可以解决时变的工作条件问题和GANs方法可以解决不平衡数据，大多数