[发明专利]基于小样本学习的跨类别故障诊断方法、系统及存储介质

权利要求书

1.一种基于小样本学习的跨类别故障诊断方法，其特征在于，包括以下步骤：

H1、构建故障诊断模型：获得部件A实际工作条件下的历史工作数据，对部件A的所述历史工作数据标注信号类别，形成标注数据；构建由两条所述标注数据组成的样本对，并对样本对中两条标注数据的信号类别的相同与否进行标注，获得由多个带标注的样本对组成的训练集，并结合训练集进行模型训练以获得故障诊断模型；

H2、建立支持集S：获得部件B实际工作条件下的历史工作数据，从部件B的所述历史工作数据中任选部分作为标注样本数据，并将剩余的历史工作数据作为部件B的测试数据；支持集包含部件B对应的所有信号类别，且每一个信号类别均关联有对应的标注样本数据；部件A和部件B为非同类部件；

H3、跨类别故障诊断：获得部件B的测试数据，将测试数据与支持集中的标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别；

步骤H1具体包括以下步骤：

H11、获得部件A实际工作条件下的历史工作数据并建立标注数据集合

其中，表示部件A的历史工作数据；为的标签，表示归属的信号类别，n_A表示D^A中的标注数据数量；

H12、构建训练集，训练集中带标注的样本对包含同类样本数据和异类样本数据

其中，n_p表示同类样本数据的总数，n_d表示异类样本数据的总数，表示标注数据属于同一信号类别，表示标注数据属于不同的信号类别；

H13、获得神经网络模型；

H14、从训练集中选择未被学习过的样本对作为学习对象，将学习对象带入所述神经网络模型，并计算损失函数；

H15、结合损失函数计算结果对所述神经网络模型进行参数更新，然后返回步骤H14；

H16、循环步骤H14和H15，对神经网络模型进行多次迭代修正后进行参数固定，获取参数固定后的神经网络模型作为故障诊断模型；

步骤H14中，损失函数为：

其中，表示所述神经网络模型的第k次迭代训练中所采用的样本对包含的标注数据，θ^k表示第k次迭代训练中神经网络模型的当前参数；当两者标签相同，则y^k＝1，反之，y^k＝0；表示在第k次迭代训练中所采用的训练样本对对应的激活函数值；

m_r为表示不同信号类别之间距离因子的常数，0＜m_r＜1；α表示相同信号类别的权重因子，0＜α＜1；表示L2正则项，其中λ为常数，θ_i'表示神经网络模型的第i’个参数，n'为神经网络模型中的参数总个数；

sigmoid表示激活函数，FC表示全连接层，表示样本对在高维空间中的距离。

2.如权利要求1所述的基于小样本学习的跨类别故障诊断方法，其特征在于，训练集中包含的同类样本数据和异类样本数据数量相等，α＝0.5，m_r＝0.7。

3.如权利要求1所述的基于小样本学习的跨类别故障诊断方法，其特征在于，步骤H2中建立的支持集S中，部件B对应的每一个信号类别均关联有n个对应的标注样本数据，步骤H3中执行n-shot K-way测试，以获得测试数据的信号类别。

4.如权利要求3所述的基于小样本学习的跨类别故障诊断方法，其特征在于，步骤H3具体包括：

H31、集合部件B的测试数据建立测试数据集合表示部件B的测试数据，n_B表示D^B中的测试数据数量；

H32、结合测试数据集合D^B和支持集S建立测试集T^B；

其中，t表示部件B对应的信号类别数量，n表示各信号类别关联的标注样本数据数量，表示部件B对应的第j₄个信号类别中的第i₄个标注样本数据，

H33、将测试集T^B输入故障诊断模型，获得测试集中各测试数据的信号类别。