[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

说明书

本发明属于智能设备机械振动故障诊断领域，并具体公开了一种基于原型学习的智能设备故障诊断方法及系统，其充分利用不同类别的故障的特征不同，基于特征提取模块，将实际收集到的信号输入至神经网络中实现特征提取，经网络提取后的特征输入到已知类分类模块和未知类检测模块，利用原型学习设计第一类别原型和第二类别原型，缩小同一类别的类内距离并扩大不同类别的类间距离，同时通过施密特正交化和空间映射将信号特征映射至高维零空间内，使得同一类别的样本汇聚至一点，进而实现对未知类别的检测。本发明在训练集标签有限的情况下，不仅能够对训练集中出现过的已知类别的故障进行正确识别，同时还能探测出生产实际中出现的类别未知的故障。

技术领域

本发明属于智能设备机械振动故障诊断领域，更具体地，涉及一种基于原型学习的智能设备故障诊断方法及系统。

背景技术

机械设备在实际生产运行中，各个零部件容易发生故障，导致设备停产等重要损失，并可能威胁工人人身安全。因此，智能设备的实时监控和故障诊断系统一直以来是提高工业设备安全性的基本和关键。

近年来，随着传感器技术的飞速发展和大力普及，工厂可以在实际运行中获取海量设备相关数据，如振动信号数据、声信号数据、温度信号数据等。目前大多数行业，如机械制造行业、冶金行业等，主要仍依赖于人工经验检测，基于传统信号变换分析所收集的信号，这不仅要求较高的专家知识经验，同时还需要繁琐复杂的手工设计特征及参数调整，检测人员长期工作后也易精神疲劳导致诊断出现偏差等。基于深度学习的设备故障诊断方法，不依赖于传统的人工设计特征提取，其通过深层神经网络对海量数据训练获取高判别特征提取器，不仅能够有效地完成精准的故障模式识别，同时还适用于半自动甚至全自动的智能设备故障诊断，提高产线的自动化水平。

基于传统深度学习的设备故障诊断方法均有一个假设：训练数据集和测试数据集共享类别标签。然而，真实场景复杂多样，难以预测，在训练阶段穷尽所有故障模式是几乎不可能的，从而导致训练样本的标签并不完备。也就是说，实际应用中可能会出现未知的故障模式，这时基于训练数据的模型难以进行准确的故障诊断。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于原型学习的智能设备故障诊断方法及系统，其目的在于，提供一种结构简单、诊断结果准确度高、能够探测未知故障模式的智能设备故障诊断方法。

为实现上述目的，按照本发明的一方面，提出了一种基于原型学习的智能设备故障诊断方法，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。

作为进一步优选的，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；