[发明专利]基于深度残差收缩原型网络的元学习故障诊断方法及装置

权利要求书

1.一种基于深度残差收缩原型网络的元学习故障诊断方法，其特征在于，包括：

根据目标域下的目标机械设备的运行参数，以及所述目标域下的第一样本数据集中每一预设故障类别下的每一样本机械设备的运行参数，构建目标数据对；

将所述目标数据对输入至深度残差收缩原型网络的特征提取模块，得到第一特征向量和第二特征向量；所述第一特征向量为所述目标机械设备的运行参数的特征向量，所述第二特征向量为所述第一样本数据集中每一预设故障类别下的每一样本机械设备的运行参数的特征向量；

将所述第一特征向量和所述第二特征向量输入至所述深度残差收缩原型网络的度量嵌入模块，得到所述目标机械设备的运行参数与所述第一样本数据集中每一预设故障类别下的每一样本机械设备的运行参数之间的相似性度量值；

根据所述相似性度量值，获取所述目标机械设备的故障诊断预测值；

其中，所述特征提取模块是基于源域下的样本数据集进行元学习预训练得到的；所述度量嵌入模块是基于所述特征提取模块输出的所述目标域下的第二样本数据集中样本机械设备的运行参数的特征向量，进行度量元学习训练得到的。

2.根据权利要求1所述的基于深度残差收缩原型网络的元学习故障诊断方法，其特征在于，所述特征提取模块是基于如下步骤训练得到的：

基于所述源域下的样本数据集，构建多个第一元训练任务对应的训练数据集；每一第一元训练任务对应的训练数据集包括多个样本机械设备的运行参数，以及所述多个样本机械设备的故障诊断真实值；

基于所述多个第一元训练任务对应的训练数据集和所述深度残差收缩原型网络的分类模块，进行全局元学习训练，得到所述特征提取模块；

其中，所述全局元学习训练以所述分类模块的损失函数最小为目标；所述分类模块的损失函数是根据每一第一元训练任务对应的数据集中样本机械设备的故障诊断真实值，以及所述分类模块输出的每一第一元训练任务对应的数据集中样本机械设备的故障诊断预测值构建的；所述故障诊断预测值是由所述分类模块，根据特征提取模块输出的每一元训练任务对应的数据集中样本机械设备的运行参数的特征向量进行分类得到的。

3.根据权利要求1所述的基于深度残差收缩原型网络的元学习故障诊断方法，其特征在于，所述度量嵌入模块是基于如下步骤训练得到的：

基于所述目标域下的第二样本数据集构建多个第二元训练任务对应的训练数据集；每一第二元训练任务对应的训练数据集包含多组样本数据对，以及所述样本数据对中两个样本机械设备的故障诊断真实值；

对于每一第二元训练任务执行如下操作：

将当前第二元训练任务对应的训练数据集中的样本数据对，输入至所述特征提取模块，得到所述特征提取模块输出的所述样本数据对中两个样本机械设备的运行参数的特征向量；

将所述样本数据对中两个样本机械设备的运行参数的特征向量输入至上一第二元训练任务训练更新后的初始度量嵌入模块中，得到所述样本数据对中两个样本机械设备的运行参数之间的相似性度量值；

根据所述样本数据对中两个样本机械设备的运行参数之间的相似性度量值，以及所述样本数据对中两个样本机械设备的故障诊断真实值之间的相似性，获取所述当前第二元训练任务对应的损失函数；

基于所述当前第二元训练任务对应的损失函数，对所述上一第二元训练任务训练更新后的初始度量嵌入模块进行迭代训练，得到所述当前第二元训练任务训练更新后的初始度量嵌入模块；

将下一第二元训练任务对应的训练数据集中的样本数据对，输入至所述当前第二元训练任务训练更新后的初始度量嵌入模块中，继续执行第二元训练任务，直到所述多个第二元训练任务均执行完成；

根据最后一个第二元训练任务训练更新后的初始度量嵌入模块，获取所述度量嵌入模块。