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与流程

本发明涉及机械设备故障诊断，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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；

6、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；

7、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。

8、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：

9、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；

10、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；

11、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。

12、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，所述度量嵌入模块是基于如下步骤训练得到的：

13、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；

14、对于每一第二元训练任务执行如下操作：

15、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；

16、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；

17、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；

18、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；

19、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；

20、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。

21、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深度残差收缩模块构建的；

22、所述深度残差收缩模块包括第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、特征降噪单元、第一融合单元、第二融合单元、软阈值单元和池化单元；

23、所述第一特征提取单元的输出端，与所述第二特征提取单元的输入端连接；

24、所述第二特征提取单元的输出端，与所述第三特征提取单元的输入端连接；

25、所述第三特征提取单元的输出端，与所述第四特征提取单元的输入端连接；

26、所述第四特征提取单元的输出端，与所述特征降噪单元的输入端连接；

27、所述第一融合单元的输入端，与所述第四特征提取单元的输出端连接，且与所述特征降噪单元的输出端连接；

28、所述软阈值单元的输入端，与所述第三特征提取单元的输出端连接，且与所述第一融合单元的输出端连接；

29、所述第二融合单元的输入端与所述第一特征提取单元的输出端；连接，且与所述软阈值单元的输出端连接；

30、所述池化单元的输入端，与所述第二融合单元的输出端连接。

31、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，所述特征降噪单元包括多层线性层、标准化层和非线性激活函数层。

32、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，所述度量嵌入模块是基于原型网络构建的；

33、所述原型网络包多层卷积层、非线性激活函数层和全连接层。

34、本发明还提供一种基于深度残差收缩原型网络的元学习故障诊断装置，包括：

35、构建模块，用于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；

36、特征处理模块，用于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；

37、度量模块，用于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；

38、诊断模块，用于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；

39、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。

40、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度残差收缩原型网络的元学习故障诊断方法。

41、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度残差收缩原型网络的元学习故障诊断方法。

42、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度残差收缩原型网络的元学习故障诊断方法。

43、本发明提供的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，通过源域下的样本数据集进行元学习预训练，以获取源域下的样本数据集中各种故障类型的预训练知识，然后，基于预训练知识和目标域下的第二样本数据集进行度量元训练，得到具有更高的泛化性与准确性的深度残差收缩原型网络，并根据深度残差收缩原型网络，在线实时对目标域下的目标机械设备进行故障诊断，一方面，基于源域下的样本数据集进行元学习预训练，可以充分利用少数标注数据，使得深度残差收缩原型网络学习到预训练知识，有效解决了由于小样本数据集的样本数量不足导致模型构建困难、识别精度低且成本高的问题；另一方面，引入度量学习，获取目标域下的测试数据与训练数据之间的相似性度量值，根据相似性度量值识别出目标机械设备的故障诊断预测值，实现在提高识别精度的同时，提升个体差异性大的目标机械设备的故障诊断的鲁棒性。