MAML-Edge

工业物联网下基于元学习的边缘设备少样本故障诊断系统。

项目结构

• data_layer：CWRU / HST 数据读取、FFT / STFT / WT 预处理、few-shot 数据构造
• model_layer：MAML、ProtoNet、CNN 的训练与评估
• deploy_layer：结构化剪枝、恢复微调、ONNX 导出、INT8 PTQ、推理后端选择
• test_layer：benchmark、实验矩阵、结果聚合、论文表格导出
• edge_layer：边缘侧信号模拟、轻量预处理、MQTT 上传
• system_layer：FastAPI、MQTT、WebSocket、历史/报警存储与 Vue + ECharts 控制台

统一训练入口：

python train.py --mode {train|deploy} --algorithm {maml|protonet|cnn} ...

环境

完整训练环境：

conda create -n fault_env python=3.9 -y
conda activate fault_env
pip install -r requirements.txt

后两层最小联调环境：

conda create -n edge_system python=3.9 -y
conda activate edge_system
pip install -r requirements.edge-system.txt

数据目录

默认数据目录：./data

CWRU

data/
`-- CWRU_12k/
    |-- Drive_end_0/
    |-- Drive_end_1/
    |-- Drive_end_2/
    `-- Drive_end_3/

HST

data/
`-- HST/
    |-- 0/
    |-- 1/
    `-- 2/

当前最终实验配置

• Dataset = CWRU
• Preprocess = STFT
• Task = 5-way 5-shot
• Train domains = 0,1,2
• Test domain = 3
• Runtime backend = onnxruntime
• Structured pruning = 0.4
• INT8 = PTQ

当前主实验设计

实验 1：模型对比

比较：

• CNN
• MAML
• ProtoNet

输出：

• 准确率

实验 2：少样本能力

固定主模型：

• MAML

比较：

• 5-shot
• 10-shot
• 15-shot

输出：

• 准确率

实验 3：压缩影响

固定主模型：

• MAML

比较：

• Original
• Pruned
• Pruned + INT8

输出：

• 准确率
• 平均推理时延
• 参数量
• 模型大小

实验 4：系统性能

系统链路固定为：

Edge Simulator -> MQTT -> FastAPI -> ONNX -> WebSocket -> Frontend

输出：

• preprocess_latency_ms
• inference_latency_ms
• end_to_end_latency_ms

实验 5：最小在线适配

当前系统支持最小可用的运行时原型更新：

• 接口：POST /adapt
• 适用对象：ProtoNet 类型的 prototype deployment

它用于展示“少量 support sample 的运行时原型更新”，不是完整在线再训练系统。

默认训练与部署命令

CNN

python train.py --mode train --algorithm cnn \
  --runtime_backend onnxruntime \
  --dataset CWRU \
  --preprocess STFT \
  --ways 5 \
  --shots 5 \
  --query_shots 5 \
  --train_domains 0,1,2 \
  --test_domain 3 \
  --epochs 60 \
  --enable_compression true \
  --prune_ratio 0.4

MAML

python train.py --mode train --algorithm maml \
  --runtime_backend onnxruntime \
  --dataset CWRU \
  --preprocess STFT \
  --ways 5 \
  --shots 5 \
  --train_domains 0,1,2 \
  --test_domain 3 \
  --iters 200 \
  --enable_compression true \
  --prune_ratio 0.4

ProtoNet

python train.py --mode train --algorithm protonet \
  --runtime_backend onnxruntime \
  --dataset CWRU \
  --preprocess STFT \
  --ways 5 \
  --shots 5 \
  --query_shots 5 \
  --train_domains 0,1,2 \
  --test_domain 3 \
  --iters 200 \
  --enable_compression true \
  --prune_ratio 0.4

deploy_artifacts 输出

每次训练并开启压缩后，会输出到：

deploy_artifacts/<experiment_title>/

主要文件：

• compression_summary.json
• *_baseline_float.onnx
• *_float.onnx
• *_int8.onnx
• ProtoNet 额外输出 *_prototypes.npz

其中 compression_summary.json 现在会统一记录：

• 训练实验描述
• 部署后端与部署类型
• 原始模型、剪枝模型、INT8 模型的精度与时延
• 参数量与压缩比例
• 各部署产物的文件大小

test_layer （运行结果分析与论文出表层）

核心文件：

• benchmark.py
• result_aggregator.py
• run_controlled_overnight.sh
• thesis_config.py
• thesis_tables.py

约束边界：

• run_controlled_overnight.sh 负责执行原本会在终端里手动输入的训练与部署命令
• test_layer 中的 Python 文件只负责读取运行后的 logs/、deploy_artifacts/、checkpoints/ 并做分析导出

1. 一条命令跑完受控实验

bash test_layer/run_controlled_overnight.sh restart

这个入口会顺序执行：

• CNN / MAML / ProtoNet
• FFT / STFT / WT
• 5-shot / 10-shot / 15-shot
• 自动训练、剪枝恢复、ONNX 导出、INT8 PTQ、benchmark 聚合
• 自动导出 logs/thesis_tables/controlled/ 下的表格文件

完整矩阵共 27 组：

• FFT + CNN/MAML/ProtoNet + 5/10/15-shot
• STFT + CNN/MAML/ProtoNet + 5/10/15-shot
• WT + CNN/MAML/ProtoNet + 5/10/15-shot

受控统一调度：

• FFT: MAML / ProtoNet iters = 400
• STFT: MAML / ProtoNet iters = 80
• WT: MAML / ProtoNet iters = 80
• CNN epochs: FFT = 40, STFT = 30, WT = 30
• test_task_num = 50
• compression_finetune_iters = 80

日志按预处理和算法分类保存：

logs/overnight_runs/controlled/latest/logs/<preprocess>/<algorithm>/

如需先查看脚本里会顺序执行的全部终端命令：

run_controlled_overnight.sh 现只支持 clean | run | restart。

论文增强实验入口：

bash test_layer/run_seed_extension.sh restart
bash test_layer/run_domain_extension.sh restart
bash test_layer/run_compression_ablation.sh restart
bash test_layer/run_paper_suite.sh restart

2. 导出单实验 benchmark

python test_layer/benchmark.py \
  --summary_path deploy_artifacts/<experiment_title>/compression_summary.json

3. 导出单实验论文行

python test_layer/benchmark.py \
  --summary_path deploy_artifacts/<experiment_title>/compression_summary.json \
  --rows_only \
  --output_format csv \
  --output_path logs/<experiment_title>_benchmark_row.csv

4. 聚合全部部署结果

python test_layer/result_aggregator.py \
  --summary_glob "deploy_artifacts/*/compression_summary.json" \
  --output_format csv \
  --output_path logs/thesis_benchmark_rows.csv

5. 直接导出论文四张表

python test_layer/thesis_tables.py \
  --summary_glob "deploy_artifacts/*/compression_summary.json" \
  --output_dir logs/thesis_tables

它会输出：

• table1_model_performance.csv
• table2_few_shot.csv
• table3_compression.csv
• thesis_tables.json
• thesis_tables.md

其中 thesis_tables.md 是论文草稿和答辩整理最方便看的版本。

6. 导出论文增强版统计表

python test_layer/paper_tables.py \
  --output_dir logs/thesis_tables/paper_balanced

6. 导出系统性能表

先启动系统并让它跑过一轮 MQTT 联调，再执行：

python test_layer/thesis_tables.py \
  --summary_glob "deploy_artifacts/*/compression_summary.json" \
  --system_stats_url http://127.0.0.1:8000/system/stats \
  --system_channel mqtt \
  --output_dir logs/thesis_tables

这会额外生成：

• table4_system_performance.csv

各类指标来源

训练指标

来源：

• checkpoints/*_history.json

用于：

• 算法精度对比
• 学习曲线
• 最佳 checkpoint 选择

部署指标

来源：

• deploy_artifacts/*/compression_summary.json

用于：

• 原始 / 剪枝 / INT8 对比
• 压缩前后参数量对比
• 模型大小与平均推理时延分析

系统级在线指标

来源：

• GET /system/stats
• GET /history
• GET /alerts
• WS /ws/realtime

关键字段：

• preprocess_latency_ms
• inference_latency_ms
• end_to_end_latency_ms

语义：

• inference_latency_ms：部署层纯推理时延
• preprocess_latency_ms：系统层在线预处理时延
• end_to_end_latency_ms：系统层在线端到端时延
• latency_ms：兼容字段，等于 end_to_end_latency_ms

system_layer 联调

推荐显式指定模型：

MAML_EDGE_MODEL_SUMMARY_PATH=deploy_artifacts/<experiment_title>/compression_summary.json

启动后端：

python -m uvicorn system_layer.backend.main:app --host 0.0.0.0 --port 8000

启动 MQTT：

mosquitto -p 1883

启动边缘模拟器：

python -m edge_layer.simulator.publish_signal \
  --source synthetic \
  --device_id esp32-sim-01 \
  --host 127.0.0.1 \
  --port 1883 \
  --topic maml-edge/devices/esp32-sim-01/signal \
  --count 5 \
  --interval 1.0

浏览器控制台：

http://127.0.0.1:8000/

主要接口：

• GET /health
• GET /model/info
• GET /benchmark/current
• GET /system/stats
• GET /history
• GET /alerts
• POST /predict
• POST /adapt
• POST /simulate/publish
• WS /ws/realtime

参考资料

• fyancy/MetaFD
• Yifei20/Few-shot-Fault-Diagnosis-MAML
• Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
• Meta-learning as a promising approach for few-shot cross-domain fault diagnosis: Algorithms, applications, and prospects
• Prototypical Networks for Few-shot Learning
• Matching Networks for One Shot Learning
• CWRU official Database

License

MIT