[发明专利]一种基于原型学习的智能设备故障诊断方法及系统

权利要求书

1.一种基于原型学习的智能设备故障诊断方法，其特征在于，包括模型训练阶段和故障诊断阶段，其中：

模型训练阶段包括：

构建智能设备故障诊断模型，其包括特征提取模块、已知类检测模块和未知类探测模块，其中：所述特征提取模块、已知类检测模块均采用深度神经网络模型，特征提取模块用于从原始信号中进行深度特征提取，获取特征图；已知类检测模块用于对特征图进行分类，其通过原型学习设计类别原型，进而基于类别原型计算损失；所述未知类探测模块采用机器学习模型，用于根据特征图进行未知类别故障模式探测，其通过施密特正交化和空间映射将特征映射至零空间，使得同一类别的样本汇聚至一点；

将训练集输入特征提取模块和已知类检测模块，根据得到的损失对特征提取模块和已知类检测模块进行参数优化，得到训练好的故障诊断模型；

故障诊断阶段包括：

获取待诊断设备的原始信号，将其输入训练好的故障诊断模型，通过特征提取模块得到特征图；将特征图输入未知类探测模块，将特征映射至零空间，判断映射后得到的特征点是否为未知类：若为未知类，则将其标签设为未知类别；否则将特征图输入已知类检测模块，确定故障类别，完成智能设备故障诊断。

2.如权利要求1所述的基于原型学习的智能设备故障诊断方法，其特征在于，所述已知类检测模块中，类别原型包括第一类别原型和第二类别原型，基于可训练的第一类别原型和第二类别原型分别计算第一损失、第二损失和第三损失；

第一类别原型和第二类别原型是特征空间中的两个可学习向量；第一类别原型反映类别的聚集情况，其会吸引特征空间中属于其同一类别的样本尽可能靠近该原型，从而使得类别的类内距离最小化；第二类别原型反映类别的离散情况，其会驱使属于其同一类别的样本尽可能远离该原型，并使不属于该类别的样本靠近，从而使得类别的类间距离最大化。

3.如权利要求2所述的基于原型学习的智能设备故障诊断方法，其特征在于，所述第一损失表示为：

其中，loss_pro(x,y；θ_P)表示样本x的第一损失，P^y表示样本x所属类别的第一类别原型，Θ(x)表示样本x经过特征提取模块后得到的特征图，m为样本特征图的维度。

4.如权利要求2所述的基于原型学习的智能设备故障诊断方法，其特征在于，所述第二损失表示为：

其中，loss_rec(x,y；θ_R)表示样本x的第二损失，y表示样本x所属的类别，R^y表示样本x所属类别的第二类别原型，ξ(·)表示样本x与各类别的第二类别原型之间的距离，N为当前批次的样本总数。

5.如权利要求2所述的基于原型学习的智能设备故障诊断方法，其特征在于，所述第三损失表示为：

loss_mc(x,y；θ_O)＝max(d_e(x,R^k)-O,0)

其中，loss_mc(x,y；θ_O)表示样本x的第三损失，O表示已知类检测模块对于第二原型的限制，即原型限制参数，其是一个可训练的参数；d_e(x,R^k)表示样本x与其对应的第二类别原型之间的欧式距离。