[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

说明书

本发明提供一种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，该方法包括：将根据目标域下的目标机械设备的运行参数和各预设故障类别下的各样本机械设备的运行参数构建的目标数据对，输入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；将第一特征向量和第二特征向量输入至深度残差收缩原型网络的度量嵌入模块，得到相似性度量值，以获取目标机械设备的故障诊断预测值；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的；度量嵌入模块是基于特征提取模块输出的目标域下的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的。本发明实现在故障样本数据稀缺时，提高故障诊断的精准性。

技术领域

本发明涉及机械设备故障诊断技术领域，尤其涉及一种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。

背景技术

随着现代工业信息化的日益发展，旋转机械设备在能源、制造和航空航天等领域发挥着不可或缺的作用。在设备运行过程中准确、及时地识别设备故障，对于确保设备的安全运行，避免经济损失和重大灾难性事故具有重要意义。

近年来，在有足够标记故障样本的情况下，机器学习被广泛地应用于机械设备故障诊断技术，并下取得了良好的性能。虽然机器学习具有突出的性能，但很大程度上依赖于大量标记样本，且在新任务的测试数据上能力较弱。

而在实际工业场景中，设备在正常状态下运行，当某些突然的灾难性故障出现时，系统需要立即关闭以进行维护，导致有效标注的故障样本数据比较稀缺，进而难以保证机械设备故障诊断结果的精准性。

发明内容

本发明提供一种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，用以解决现有技术中有效标注的故障样本数据比较稀缺，难以保证机械设备故障诊断结果的精准性的缺陷，实现在有效标注的故障样本数据稀缺的情况下，提高机械设备故障诊断结果的精准性。

本发明提供一种基于深度残差收缩原型网络的元学习故障诊断方法，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。

根据本发明提供的一种基于深度残差收缩原型网络的元学习故障诊断方法，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；