基于遷移學習的供藥裝置故障診斷方法

黃文寬, 錢林方,2*, 尹強, 劉太素

(1.南京理工大學 機械工程學院, 江蘇 南京 210094; 2.西北機電工程研究所, 陜西 咸陽 712099;3.南京工程學院, 江蘇 南京 211167)

0 引言

模塊裝藥[1]是新一代大口徑火炮實現自動化的基礎,通過模塊藥供藥裝置可以實現對模塊發射藥的儲藥、選藥和供藥,以此在裝填時可以方便的變換裝藥量,進一步實現火炮在同一射角下不同射程的擊發。模塊供藥裝置是大口徑火炮供輸藥系統的起點和重要一環,當它發生故障時,火炮射速將受到大幅影響。嚴重的供藥裝置故障可能會引發事故,毀傷己方裝備和人員。隨著火炮自動化水平的提高,為保障供藥裝置的正常運行,有必要對其進行智能化故障診斷的研究[2]。

近年來,許多傳統機器學習方法被廣泛應用于各類機械裝置的故障診斷中。文獻[3-4]將人工神經網絡、K最鄰近法、隨機森林和支持向量機(SVM)等機器學習方法應用到軸承的故障診斷問題上,區分出軸承的各類異常振動數據。文獻[5-6]側重于對時域信號的分析,將小波分析、經驗模態分解、奇異值分解(SVD)等方法應用于故障特征的提取。文獻[7]將多種深度神經網絡方法應用于軸承的故障診斷,實現了從原始信號到故障分類的端到端分析。至此,通過時域分析提取目標信號的特征再結合機器學習算法進行分類識別的故障診斷方法趨于成熟。上述故障診斷方法尚存在不足,首先,所采用的傳統機器學習方法需要大量分布均衡的訓練數據。其次,研究對象往往以軸承等高故障率零部件為主,對火炮系統供藥裝置的故障診斷研究幾乎處于空白狀態。

供藥裝置的結構復雜、工況多樣,其故障具有復雜性、多樣性、隱蔽性[8-9]等特點;供藥裝置作為大口徑火炮的子系統,還具有故障率低、試驗成本高等特點。這使得在供藥裝置上直接通過試驗獲得一個數據量充足且各類故障樣本分布平衡的數據集是十分困難的,進而導致傳統機器學習方法在解決供藥裝置故障診斷問題時受到制約。

為解決訓練樣本不足帶來的問題,文獻[10]在梳理并展望智能故障診斷的理論發展時,提出可以借助遷移學習方法。遷移學習可以利用數據、任務或者模型之間的相似性,利用舊有知識幫助目標任務進行訓練。TrAdaBoost算法[11]作為一種典型的遷移算法,通過大量舊有數據輔助少量全新數據即可學習一個適用于新數據的精確模型,已在工程實際中取得了廣泛應用。Chen等[12]將TrAdaBoost算法應用到風電機組的故障診斷中,解決不同外部環境下風電機組故障數據不平衡的問題。Shen等[13]利用西儲大學電機軸承數據中心的公開實驗數據,對變轉速變負載條件下的電機軸承進行了故障診斷。Xiao等[14]運用TrAdaBoost算法,針對幾臺故障樣本量較小的電機進行了高精度的故障診斷?？梢?TrAdaBoost算法在處理多工況、少樣本且數據分布不平衡的故障診斷問題時,具有優越的性能。

本文在已有研究的基礎上,基于遷移學習方法對傳統的時域分析-分類器模式加以改進,應用到供藥裝置的故障診斷上。首先用機械系統動力學自動分析軟件建立供藥裝置的仿真模型,生成考慮實際工況噪聲影響的仿真樣本,用以輔助試驗樣本進行遷移學習訓練;其次利用自相關矩陣-SVD的方法提取出仿真樣本與試驗樣本的特征向量并組成訓練集,根據兩類特征向量的相似度對每個訓練樣本權重進行初始化,最后在TrAdaBoost算法框架下,迭代訓練出一些加權支持向量機(WSVM)并集成出一個可以對供藥裝置進行故障診斷的高性能分類器,實現對供藥裝置高效且精準的故障診斷。

1 供藥裝置的故障模式分析

1.1 供藥裝置的結構與仿真模型

供藥裝置是集機電液控為一體的復雜系統,在各子系統的協同工作下,它能自動化得實現對模塊藥的儲藥、選藥以及供藥功能。供藥指令發出后,電機在控制信號的驅動下,通過減速器將驅動力矩傳遞到供藥鏈輪上進而帶動供藥鏈條將指令需求數量的模塊藥推入裝填裝置。在儲藥筒的前后端都安裝有阻尼塊,保證模塊藥不會意外掉落,同時確保模塊藥始終在與供藥鏈頭的貼合下保持強制運動。供藥裝置的結構如圖1所示。

圖1 模塊藥供藥裝置示意圖Fig.1 Schematic of modular charge feeding mechanism

在動力學仿真軟件中對上述結構進一步簡化,僅保留供藥鏈條(包括滾輪、銷軸、鏈節等細節)、儲藥筒以及阻尼塊等結構,電機的驅動力矩也以仿真力矩的形式添加在供藥鏈輪上。建模過程在文獻[15]中進行了介紹,仿真模型如圖2所示。

圖2 模塊藥供藥裝置仿真模型Fig.2 Simulation model of modular charge feeding mechanism

1.2 供藥裝置的典型故障

在供藥裝置的實際使用過程和可靠性試驗中可以發現,供藥裝置的故障類型大致可分為機械故障、電氣控制系統故障和液壓系統故障三類。其中電氣控制系統故障和液壓系統故障的故障特征容易通過各自系統內的傳感器或算法直接檢測。而機械故障則因為故障種類繁多、無合適的傳感器安裝位置等原因,需要借助機器學習的方法,從單一的目標信號中甄別出多種機械故障類型。

常見且影響較大的機械故障主要來源為零部件的加工裝配問題和磨損問題。如圖3所示,這類故障的故障率和供藥裝置的使用時間呈現明顯的浴盆曲線關系,在一個可靠性試驗周期內,具體一種零部件發生的機械故障次數非常有限,且類型之間呈現明顯的分布不平衡。圖3中,T1為規定的裝配調試工作次數,T2為滿足可靠性指標的無故障次數。

圖3 供藥裝置機械故障曲線Fig.3 Mechanical failure curve of modular charge feeding mechanism

供藥裝置的一個重大電氣控制系統故障是選藥數量出錯。該問題將導致火炮實際射程與作戰需求不符,進而造成打擊效果不佳甚至毀傷己方目標的嚴重后果。為防止相關電氣元件在使用中失效,也應使用機器學習方法從其他目標信號對供藥裝置選藥數量進行監測,作為一種多源故障診斷方案。

綜合上述分析與火炮實際使用過程中的情況,本文選擇以選藥數-故障類型的組合作為供藥裝置故障診斷分類問題研究的典型對象。

選擇3種典型的供藥裝置選藥數量:

1)1塊模塊藥;

2)4塊模塊藥;

3)6塊模塊藥。

3種選藥數量分別代表火炮實際使用中的最小裝藥量、常用裝藥量和最大裝藥量。

選擇3種典型的供藥裝置故障狀態:

1)阻尼塊磨損失效;

2)儲藥筒碰撞變形;

3)供藥裝置健康完好。

其中阻尼塊作為短壽命件,易因不及時更換而隨著使用次數增加逐漸磨損失效。儲藥筒雖然壽命較長,但是在裝配過程和火炮實際使用過程中也曾發現其受到外力沖擊產生塑性形變進而發生故障。

綜上產生9種選藥數-故障類型作為典型組合,各組合在900次的可靠性試驗周期中被記錄到的分布占比以及縮略表述如表1所示。

表1 選藥塊數與故障情況的組合Table 1 Combinations of modular charge numbers and faults conditions

2 基于遷移學習的故障診斷方法設計

2.1 目標信號分析

理想狀態下供藥裝置中模塊藥與供藥鏈頭在貼合狀態下共同位移,故可用供藥鏈頭的位移速度曲線近似表達模塊藥的位移速度狀態。當供藥裝置實際發生影響功能的故障時,供藥鏈頭的位移速度曲線相較正常曲線會發生變形或偏移。

試驗中,通過安裝在供藥鏈輪上的光電編碼器獲得供藥鏈頭的位移速度信號,將之作為供藥裝置故障診斷研究的目標信號。這是混雜了噪聲的采樣周期固定的離散信號

(1)

供藥裝置的實際使用工況惡劣,戰場環境以及自身火炮工作時均包含巨大噪聲,因此光電編碼器中混入的干擾噪聲不能忽略。本文討論的干擾噪聲N是臺架試驗中混入的噪聲,旨在測試本方法對含噪聲樣本的適應性,提升分類器的性能和魯棒性[16]。

確定目標信號后,為后續使用遷移學習策略,利用仿真方法生成大量與試驗樣本近似的仿真樣本用以輔助分類器的訓練。類似有

sim=ssim+Nsim

(2)

仿真速度信號ssim可在動力學自動分析軟件中使用采樣周期T對供藥裝置的工作過程進行仿真和采樣直接得到,模擬噪聲Nsim則要先對真實干擾噪聲進行分析。

在臺架試驗統計了足夠長時間的干擾噪聲后,計算此噪聲的概率密度函數和功率譜密度,如圖4所示,干擾噪聲的概率密度函數服從高斯概率分布,而功率譜密度在高頻段服從均勻分布,可以看作一個高斯白噪聲與數個固定低頻的噪聲的疊加。

圖4 干擾噪聲的功率譜密度和概率密度函數Fig.4 Power spectral density and probability density function of noise

維納-辛欽定理表明隨機信號的功率譜和其自相關函數是一對傅里葉變換,在統計時間足夠時,干擾噪聲的功率密度譜是相對固定的。仿真干擾噪聲Nsim可以是一段符合干擾噪聲N功率密度譜的隨機信號,可由式(3)和式(4)得到

(3)

(4)

式中:Px(f)和Rx(τ)分別為干擾噪聲N的功率譜密度和自相關函數,f為功率譜密度函數上的頻域,τ為自相關函數上的時域,函數下標x表示單邊頻譜;Pxx為與功率譜密度Px(f)共軛對稱的雙邊功率譜密度;σ2為所構造噪聲的方差。

圖5(a)為3條典型試驗樣本的供藥鏈頭速度曲線的對比,圖5(b)為一條健康試驗樣本的供藥鏈頭速度曲線與同類仿真曲線的對比,并展示了供藥鏈頭在工作過程中大致可以分為的4個階段(見圖5(b)中階段1～階段4):1)與模塊藥接觸碰撞階段;2)與模塊藥貼合克服阻尼塊阻力加速階段;3)平穩供藥位移階段;4)供藥結束復位階段。

圖5 典型試驗樣本和仿真樣本速度曲線Fig.5 Velocity curves of typical simulation and test samples

通過分析圖5(b)可知,階段1波形尖銳,是由供藥鏈頭空載加速后與模塊藥接觸碰撞所產生的,與本文研究的典型故障問題關系不大。階段2的平均斜率一定程度反映阻尼塊對模塊藥的阻力變化。階段3可以找到一些周期性的故障特征,利用自相關函數可以很好地將此類周期性問題放大。階段4為供藥鏈條空載復位過程,可以不納入考慮。

2.2 基于SVD的特征向量提取

SVD與漢克爾矩陣結合使用可實現一維時間序列數據的降維和降噪。對于式(1)中某一個離散信號樣本x(t),它所對應的自相關函數為

c(j)=E(x(t)x(t+j))

(5)

構建關于它的自相關函數的漢克爾矩陣如下:

(6)

式中:M和N為與樣本適應的合適維數。

對式(6)進行SVD:

(7)

ΣM×N=diag[σ1,σ2,…,σQ]

(8)

式中:UM×N為左奇異向量組成的矩陣;ΣM×N為奇異值組成的矩陣;VM×N為右奇異向量組成的矩陣;σ1,σ2,…,σQ為矩陣H分解后的奇異值,Q=min {M,N}。

奇異值代表原矩陣在兩個標準正交基之間對應向量的比例關系,可以用奇異值組成的奇異值向量x=(σ1,σ2,…,σQ)代表原矩陣所包含的信息,達到了對數據降維的效果。奇異值由大到小排列且衰減速度極快,最大的幾個奇異值一定程度反映矩陣內部信息的冗余程度,可以省略較小的奇異值來去除冗余信息,達到降噪的結果。

定義‖A‖2,2=sup‖Au‖2/‖u‖2,u為矩陣A的任意一個列向量。

令Σn=diag[σ1,σ2,…,σn,0,…,0],通過其復原的矩陣Hn=UΣnVT,存在‖H-Hn‖2,2=σn+1的關系。文獻[17]給出了推導過程,保證了用SVD方法對數據進行降維和降噪處理是可控的。

圖6為通過式(5)～式(8)對一些典型樣本進行SVD后得到的奇異值向量。

圖6 典型樣本奇異值向量的對數曲線Fig.6 Logarithmic curves of singular value vectors of typical samples

由圖6可以看出,奇異值曲線前段部分區分度明顯,后段部分則重疊嚴重且數值較小,根據本節上文結論可以逐步從后段截去冗余部分,以尋找合適維度的奇異值向量作為特征向量。假設經過截取后,奇異值向量剩余k個值,則此時最小的奇異值為σk,定義此時的任意兩個特征向量xi和xj之間的區分度為

(9)

Dk恰好滿足時,特征包含信息量、分類性能和診斷計算量,三者可以得到比較好的平衡。

2.3 Boosting風格的遷移學習方法

集成學習的根本思想是將多個性能不佳的弱分類器用策略結合起來共同完成同一個任務?？梢曌骰谌舾扇醴诸惼?構造一個強分類器。Freund等[18]提出的AdaBoost是一種Boosting風格的集成學習算法:先從初始訓練集中訓練一個基學習器,根據其性能表現來對訓練樣本的權重和分布進行調整,而后訓練一個新的基分類器;如此反復直到訓練出足夠多的符合預期效果的基分類器,最終選擇若干個性能較優的基分類器進行加權結合,得到一個集成強分類器。

Dai等[11]提出的TrAdaBoost算法的目標是在推廣的AdaBoost算法的基礎上,應用遷移學習的思想,實現對少量目標數據的分類,屬于一種歸納式遷移學習方法。本文方法在TrAdaBoost的框架下對供藥裝置的幾種選藥數-故障組合的特征向量進行識別。

設所有用于訓練的特征向量組成的集合為D,

(10)

式中:Ds表示由仿真樣本特征向量組成的訓練集,稱為仿真集;Dt代表由試驗樣本特征向量組成的訓練集,稱為試驗集;xs,i和ys,i為仿真集Ds的第i個特征向量和對應的類別標簽;xt,i和yt,i為試驗集Dt的第i個特征向量樣本和對應的類別標簽,標簽按表1的規定人工標注;ns和nt為仿真集和試驗集的樣本數量,且ns?nt。

本文方法采用重加權策略,首先利用大量仿真集訓練樣本與少量試驗集訓練樣本聯合訓練一個基分類器,隨后主要考察該基分類器對于試驗集樣本的分類效果。該方法建立一種偏心的自動調整權重的機制,對于造成損失較大的仿真集樣本,認定其不利于目標任務,在下一次迭代中降低權重,而對于造成損失較大的試驗集樣本則會在下一次迭代中增加權重以求更好的擬合效果。通過以上方法,最終聯合有利目標任務的仿真集樣本和試驗集樣本訓練出多個基分類器,最終為目標任務集成學習一個強分類器。算法流程和步驟如下:

1)在聯合訓練集D中,統計屬于Ds和Dt的樣本個數n和m,設置最大迭代次數Ite。

以該權重結合訓練集D訓練WSVM作為基分類器ht,t代表當前訓練迭代輪次,t=1,2,3,…,Ite。

4)統計ht在Dt上的平均損失εt,其中l(·,·)為損失函數:

(11)

5)設置權重更新參數:

(12)

且當εt≥1/2時算法早停。

6)根據樣本來源更新對應的權重:

(13)

7)利用后半部分的基分類器進行投票,最終得到集成分類器H:

若有

(14)

則輸出H(x)=y,y為算法對樣本的最終分類。

2.4 可遷移度與負遷移

用于訓練目標任務的兩個訓練集相似度過低,或者基本不相似,將使得目標任務無法完成,這種現象稱之為負遷移[19]。假設本文方法中,在引入仿真集后無論如何使用重加權策略,都不能對目標任務起到積極作用,就可以認為發生了負遷移。

文獻[20]給出了負遷移的數學定義,并提出負遷移間隙NTG來確定負遷移是否發生:

NTG=ε(θ(Ds,Dt))-ε(θ(?,Dt))

(15)

式中:ε表示目標任務中的測試錯誤率;θ(·)表示采用的遷移學習算法。

按表1規則,將9種選藥數-故障類型組合標識為id(id=1,2,3,…,9),ps,id和pt,id分別表示每個id的組合在Ds和Dt中的邊緣分布,即每種組合在各自訓練集中的占比。

定義可遷移度作為兩者共性的量化標準,并對組合標識為id的樣本進行相似度量化,步驟如下:

2)計算第id類故障特征向量相似度:

(16)

綜合第id類故障組合的奇異值向量相似度和該類故障組合在仿真集Ds中的占比,計算Ds和Dt的綜合相似度:

(17)

3)僅使用試驗集Dt訓練一個普通SVM分類器作為基線(Baseline)。再向訓練集中引入一定數目的仿真集樣本,多次改變仿真集樣本的分布占比、數據量以及具體樣本,直到式(15)中的NTG=0,此時仿真集與試驗集的綜合相似度即為最低遷移閾值St。

4)遷移學習試驗開始前,需對所選仿真集進行相似度檢驗,若計算出的綜合相似度Sω≤St,則需重新選擇樣本。若Sω>St,則將2.3節步驟2中的初始權重向量進行初始化后開始學習訓練,初始權重為

(18)

這一步的目的是基于綜合相似度進一步縮小仿真集樣本的初始權重,以加快收斂,在規定的迭代次數內獲得更多符合性能要求的基分類器。

綜合特征向量提取,遷移學習策略,負遷移度考察后,供藥裝置故障診斷的完整方法流程如圖7所示。

3 故障診斷試驗與分析

3.1 試驗條件

本文所用的供藥裝置試驗樣本來自于專用的供藥裝置臺架,針對典型故障問題采集了各類選藥數-故障類型組合的樣本。

圖7 供藥裝置故障診斷方法流程圖Fig.7 Flowchart of fault diagnosis method for modular charge feeding mechanism

圖8 供藥裝置臺架實物圖Fig.8 Bench of modular charge feeding mechanism

該臺架數據采集系統通過安裝在鏈輪處的光電編碼器采集(16位,編碼器采樣頻率為1 kHz),采集到離散信號后通過控制器域網(CAN)反饋給可編程控制器(PLC, 貝加萊PLC- X20 IF 1072),PLC再通過以太網線再將樣本信號傳輸給上位機分析并保存。整體結構如圖8所示,儲藥倉變形局部細節如圖9所示,阻尼塊失效局部細節如圖10所示。

圖9 儲藥倉變形局部細節Fig.9 Details of cartridge deformation

圖10 阻尼塊磨損局部細節Fig.10 Details of damping block wear

3.2 可遷移度試驗

根據式(17),綜合相似度與仿真集和試驗集樣本的平均相似度以及仿真集樣本的分布有關。

先在臺架試驗樣本中利用自助采樣法抽取樣本,提取特征向量后組成用于訓練的試驗集,由于實際試驗樣本中包含各類故障的樣本占比很少且不平衡,所以采用自助采樣法擴充含故障樣本時,含故障樣本和健康樣本不宜采用相同比例,防止同一故障樣本被反復采樣而造成訓練過擬合。試驗集各類選藥數-故障類型組合的分布如表2所示。

表2 試驗集各類組合樣本的占比Table 2 Distribution of various combinations in the bench test set

在仿真樣本中利用隨機采樣法抽取樣本,提取特征向量后組成用于輔助訓練的仿真集。本文采取兩種仿真集樣本分布策略:策略1為與試驗集樣本同分布;策略2為均勻分布(組合9占比稍多)。具體如表3和表4所示。

表3 仿真集各類組合樣本的占比(策略1)Table 3 Distribution of various combinations in the simulation set (Strategy 1)

表4 仿真集各類組合樣本的占比(策略2)Table 4 Distribution of various combinations in the simulation set (Strategy 2)

設置一個傳統的SVM分類器應用于本文研究對象作為對比基線,超參數如下:

按表2要求分布的試驗集樣本合計500組;SVM核函數為高斯核函數;迭代次數為20次;尋優方法為粒子群優化算法;驗證方法為K折驗證法,K=5。樣本構造的自相關漢克爾矩陣的維數定為Q=200,特征向量維數定為50。

該基線在測試集得到的錯誤率ε=19.67%。

設置尋找遷移閾值的遷移學習參數如下:

按表2要求分布的試驗集樣本合計500組;選取仿真集樣本若干組,仿真集的樣本占比分布需符合表3策略1或表4策略2,仿真集的樣本數目需為500組、1 000組或2 500組。設置迭代次數Ite=20,多次選取符合不同要求組合的仿真集,計算該次的綜合遷移度Sω后執行遷移學習任務。統計結果如表5、表6所示。與基線的錯誤率進行比較,可得到最低遷移閾值St≈0.7。

表5 仿真樣本按策略1分布時的遷移閾值Table 5 Transfer threshold of Strategy 1

表6 仿真樣本按策略2分布時的最低遷移閾值Table 6 Transfer threshold of Strategy 2

由表5和表6可以看出,提升綜合相似度和擴大仿真集樣本量對分類準確率的提升均有正面效果。用于遷移學習的仿真集數據較少時,提升分類性能需要與試驗集樣本有更大的相似度,而仿真集數據較多時,達到相同的測試準確率可以有更寬松的遷移閾值,更有助于遷移閾值的選取。仿真集樣本按策略2分布遷移閾值整體更小,說明引入更多故障仿真樣本更有利于提升整體的分類準確率。

3.3 遷移學習試驗與性能分析

根據3.2節結論,進行基于遷移學習的供藥裝置故障診斷方法的性能試驗:

設定迭代次數Ite=20,以自助采樣法選取500組試驗樣本提取特征組成試驗集Dt,按表4策略2分布隨機抽取2 500組仿真樣本提取特征組成仿真集Ds,預留300組從未參與訓練的臺架試驗樣本提取特征作為測試集。對其中一次綜合相似度Sω=0.9的訓練集產生的分類器進行性能分析。3.2節中作為基線的傳統SVM分類器,該次訓練中首輪迭代的基分類器以及迭代完成后的集成分類器的分類混淆矩陣如圖11所示。對比圖11中的3個分類混淆矩陣可以看出,本文方法對供藥裝置的故障診斷問題具有較好的效果,傳統SVM分類器綜合準確率為80.7%,首輪迭代的基分類器綜合準確率為78.7%,集成分類器相較前二者性能提升明顯,綜合準確率達到了96.3%。

圖11 3個分類器的混淆矩陣Fig.11 Confusion matrices of the three classifiers

針對輸藥塊數分類和故障類型分類的效果分別考核,傳統SVM分類器、基分類器和集成分類器的分類準確率和F1值見表7和表8,圖12為3個分類器分類準確率的橫向比較。從表7和表8中可以統計出:本文方法針對模塊藥數量的分類準確率達到了99.7%,針對故障類型的分類準確率也達到了96.3%。圖12顯示傳統SVM分類器和基分類器性能相近,且它們對輸藥塊數分類時性能要略優于對故障狀態的分類,這是因為不同模塊藥數量的樣本在訓練集中分布平均且數量充足。針對故障類型的分類問題,受限于含故障試驗樣本數量和分布,需借助遷移學習方法多次迭代后獲得集成分類器提升準確率。

表7 分藥數目分類的準確率和F1值Table 7 Accuracy and F1 value statistics for modular charge numbers

表8 故障類型分類的準確率和F1值Table 8 Accuracy and F1 value statistics for fault classification

圖12 3個分類器的單項分類準確率Fig.12 Accuracy of single classification from the three classifiers

4 結論

本文結合自相關矩陣-SVD的特征提取法與遷移學習策略提出一種適用于供藥裝置的故障診斷方法,使用計算機仿真方法生成與供藥試驗樣本近似的仿真數據,對兩類數據進行特征提取后聯合訓練一個WSVM,在TrAdaBoost算法框架下對所有樣本的權重進行迭代更新,最終得到一個可以適用于供藥裝置故障診斷的集成分類器。得到以下主要結論:

1)自相關矩陣-SVD方法能夠有效提取故障微弱信號特征,能同時滿足對供藥過程原始數據的降噪和降維需求,以此法提取的故障特征可以適應本文方法,獲得了較好的分類效果和分類效率。

2)作為輔助訓練的供藥仿真數據只需與供藥試驗數據具有一定的相似度就能對訓練產生積極作用,在建立仿真模型時可以相對簡化。與傳統故障診斷方法相比,也不需要通過花費高昂成本獲取大量試驗數據來提升準確率。

3)針對供藥裝置故障樣本稀缺且分布不平衡情況下的故障診斷問題,本文所采用的方法相較傳統機器學習方法有明顯優勢,綜合診斷準確率可以達到96.3%,將之應用到工程實踐中,對供藥裝置正確完成分藥任務是一種可靠保障。