[发明专利]基于小样本自学习故障迁移的故障判别方法、系统、装置

权利要求书

1.一种基于小样本自学习故障迁移的故障判别方法，其特征在于，该故障判别方法包括：

步骤S10，获取目标设备监测数据作为待判别数据；

步骤S20，通过故障判别模型提取所述待判别数据的约束特征，并计算所述约束特征属于设备运行数据库中各运行状态的置信度；所述运行状态包括正常运行、各故障类型；

步骤S30，所述置信度中最大值对应的运行状态为目标设备运行状态；

其中，所述故障判别模型包括特征提取部分、故障类型判断部分，并通过结合度量学习的迁移方法进行模型训练，其训练过程为：

步骤B10，获取目标设备的少量带标签故障数据作为训练样本，存入目标数据集和设备运行数据库；设置目标数据集样本数量阈值；

步骤B20，通过故障判别模型提取所述目标数据集、设备运行数据库中训练样本的特征，并通过第一约束条件与第二约束条件进行故障知识迁移；

步骤B30，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，直至所述目标数据集中样本数量大于设定阈值，获得训练好的故障判别模型；

其中，若所述目标数据集中样本数量少于设定阈值，则在判别设备监测数据的过程中同步更新所述故障判别模型，包括：

步骤P10，通过故障判别模型提取获取的目标设备监测数据的约束特征以及所述目标设备监测数据属于各设备运行状态的置信度，通过第一约束条件与第二约束条件进行故障知识迁移实现故障判别模型更新，并计算所述约束特征与各设备运行状态中心的距离的最小值：

z代表提取的设备监测数据的约束特征，μ_j代表K个设备运行状态中第j个的中心，代表求平方欧式距离，min代表求K个设备运行状态中与约束特征之间的最小距离；

步骤P20，若所述最小值大于设定的距离阈值，则所述目标设备监测数据为新的故障类型，并跳转步骤P30；否则，跳转步骤P40；

步骤P30，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；

步骤P40，若所述目标设备监测数据属于各设备运行状态的置信度中最高置信度大于设定的置信度阈值，则利用所述模型输出结果更新目标数据集、设备运行数据库；否则，利用故障诊断知识对模型输出结果进行评估，并依据评估结果更新目标数据集、设备运行数据库；

步骤P50，判断更新后的目标数据集中样本数量是否大于设定样本数量阈值，若是，则将更新后的故障判别模型存入模型知识库；否则，跳转步骤P10；

所述第一约束条件为最小化提取的约束特征到同一设备运行状态样本特征均值的距离：

|C_j|表示类型C_j的样本个数，L表示训练样本的个数，表示同一类型C_j样本特征的均值，代表求平方欧式距离，z_i代表提取的样本特征；

所述第二约束条件为最大化距离最近的不同设备运行状态样本特征均值的距离：

μ_i和μ_j分别代表在K个设备运行状态中距离最近的第i类和第j类设备运行状态数据特征的均值，代表求平方欧式距离，min代表求K个设备运行状态特征均值中心任意两个中心之间最近的距离。

2.根据权利要求1所述的基于小样本自学习故障迁移的故障判别方法，其特征在于，步骤S20中“计算所述约束特征属于设备运行数据库中各运行状态的置信度”，其方法为：

其中，P(y＝j|x)表示输入数据对应设备运行状态j的置信度；K代表设备运行状态的数目，设备运行状态包括一个正常运行以及K-1个故障类型；z代表约束特征，μ_j代表K个设备运行状态中第j个状态的中心，μ_m代表K个设备运行状态中第m个状态的中心，e代表自然常数。

3.根据权利要求1所述的基于小样本自学习故障迁移的故障判别方法，其特征在于，所述目标数据集用于存储少量的目标设备故障样本和正常运行数据；所述设备运行数据库用于存储不同设备运行在不同状态下的带标签故障数据和正常运行数据。