14、基于贝叶斯可微架构搜索的智能故障诊断方法

基于贝叶斯可微架构搜索的智能故障诊断方法

1. 故障诊断与深度学习

故障诊断在现代工业的健康监测系统中至关重要，它能识别设备关键组件的健康状态，为维护决策提供信息。近年来，深度学习（DL）模型在故障诊断模型构建中占据主导地位，因其能从大规模监测数据中自动提取特征。例如，有研究提出改进的网络架构来提取多尺度特征进行齿轮箱故障诊断，还有研究使用自适应通道加权层对多源传感器的信息重要性进行排序，用于直升机传动系统的状态监测。

然而，在现实场景中，多领域问题普遍存在，尤其是复杂设备在变化环境中的应用。复杂设备关键组件在不同领域的数据不一致，且在变化环境中容易发生偏移。为解决这个问题，为每个领域的数据设计匹配的模型是很自然的想法。但深度学习的自动特征工程虽然能使诊断模型从给定领域的数据中提取同源特征，特征质量却依赖于深度学习模型的架构，而且一种网络架构在不同应用领域的性能各异。网络架构的参数复杂、离散且无序，需要从深度、宽度和恒等映射等多个维度进行调整，设计空间巨大，使得手动为每个领域的数据设计匹配的网络架构不可行。

2. 神经网络架构搜索（NAS）

针对手动设计网络架构的问题，神经网络架构搜索（NAS）是一种有竞争力的方法，它可以自动为给定领域的数据设计网络架构。NAS在计算机视觉、自然语言处理和语音识别等多个领域受到关注，故障诊断领域的学者也逐渐开始应用NAS方法。

传统的NAS方法，如基于强化学习（RL）或进化算法（EA）的方法，通过资源消耗大的搜索实现自动化，这是一个离散的启发式过程。为了提高效率，基于超网络的一次性NAS方法应运而生。超网络包含大量候选网络架构，避免了从头训练大量候选网络的成本。

其中，可微架构搜索（