[发明专利]一种基于深度原型网络的少样本轴承故障诊断方法

说明书

本发明公开了一种基于深度原型网络的少样本轴承故障诊断方法，涉及轴承故障诊断技术技术领域，包括：支持集原型计算：采用改进的k‑means++聚类算法计算支持集中每个故障类别的原型；查询集判别分类：将支持集原型应用到查询集的判别分类中；查询集样本聚合：构造原型损失；测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量。本发明利用特征聚类算法k‑means++计算每个已知类的原型，通过计算标记后的目标样本到原型的欧氏距离，将标记后的目标样本分配到距离最近的原型类中。还构造原型损失以增强故障标记样本与对应原型之间的紧凑性，既可识别已知故障类别样本，又能有效地剔除来自未知类别的故障样本。

技术领域

本发明涉及轴承振动信号的故障诊断技术领域，尤其涉及一种基于深度原型网络的少样本轴承故障诊断方法。

背景技术

在现代工业生产中，轴承起着动力传输的作用，作为主要的旋转部件在连续工作状态下容易发生故障，对设备造成损坏，造成经济损失或人员伤亡。为了保证机械的稳定运行，避免故障的发生，智能故障诊断方法被广泛应用于轴承的健康监测中。

传统的故障诊断方法中，训练和测试样本一般均来自同一工况，且故障类型均为已知的。在实际情况中，由于受到工况变化等不确定因素的影响，机械有时会出现不可预料的未知故障，而这些故障的标签很难在实验室的环境下采集到。因此，我们还需要关注一个域自适应场景，即开放集域自适应场景。在该场景中，需要实现从一个小的源域向一个更大的目标域的诊断知识迁移，由于目标域中未知故障类别的存在，很容易将这些故障类别的样本划分为已知类，这会对之后的维修工作带来不便，如果换错了故障零件，甚至会引发安全事故，所以在这一场景中，既需要对已知故障类别样本进行精确分类，还需要准确地剔除未知故障类别样本，并与已知的故障类别样本区分开来，方便相关维修人员进行故障排查。此外，在实际情况中，训练模型很难获得大量的标注数据。

综上，研究一种更加智能的算法模型用于开放集域自适应场景下的少样本轴承故障诊断，是目前亟待解决的问题。

发明内容

为解决上述技术问题，本发明公开了一种基于深度原型网络的少样本轴承故障诊断方法，既可识别已知故障类别样本，又能有效地剔除来自未知类别的故障样本。

为实现上述目的，本发明采用下述技术方案：

根据本发明实施例的第一方面，提供了一种基于深度原型网络的少样本轴承故障诊断方法。

在一个实施例中，基于深度原型网络的少样本轴承故障诊断方法，包括以下步骤：

支持集原型计算：采用改进的k-means++聚类算法计算支持集中每个故障类别的原型；

查询集判别分类：将支持集原型应用到查询集的判别分类中，查询集包含已知故障类别的目标标记样本；

查询集样本聚合：构造原型损失，减小查询集样本到相应原型的特征距离；

测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量，如果测试集样本到原型的特征距离小于对应的决策距离，则该测试集样本与该原型属于同一故障类别；如果测试集样本到任意原型的特征距离大于所有类别的决策距离，则该测试集样本为未知故障类别样本。

可选地，所述支持集原型计算的步骤，包括：

步骤(1)，假设支持集有k个故障类别：在k-means++聚类算法中，随机选取k个样本作为初始聚类中心C＝{c₁,c₂,...,c_k}，即原型；

步骤(2)，对于支持集中的每个样本x^s，计算其到k个聚类中心的距离，并将每个样本分配到距离最小的聚类中心对应的聚类中；