[发明专利]元度量学习驱动的直升机行星齿轮箱故障诊断方法

权利要求书

1.一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，所述方法包括以下步骤：

基于一维卷积模块搭建元度量网络，其中，元度量网络包括对原始输入信号特征提取的特征编码网络f_θ和特征匹配网络所述特征编码网络f_θ包括多个一维卷积模块、一维自适应池化层以及全连接层，其中θ，分别代表两个网络的可学习参数；

采集直升机传动系统行星齿轮箱振动信号，将所述振动信号分隔成数据点长度相同的样本集，快速傅里叶变换预处理所述样本集中所有的样本以获得频谱信号，分组所述频谱信号为包含训练样本的训练类别和包含测试样本的测试类别测试样本少于所述训练样本，其中，

训练样本包括第一支撑样本与第一查询样本

测试样本包括第二支撑样本和第二查询样本确定单次训练的样本类别K，第一支撑样本数量N，第一查询样本数量M；

元度量网络在多次元学习训练循环周期中迭代更新，在每一个训练循环中，从训练集类别中随机采样K类，每一类随机采样N个第一支撑样本{x^s}，M个第一查询样本{x^q}，同时将第一支撑样本与第一查询样本输入特征编码网络中进行前向传播，使它们投影到统一的特征空间得到两组特征{z^s}，{z^q}，然后将两组特征{z^s}，{z^q}进行拼接得到组合特征{z}并输入特征匹配网络，得到两个特征的匹配度分值{g}＝[g₁，g₂，…，g_K]，分值包含K个子元素，

将不同第一支撑样本与第一查询样本的匹配度分值输入到柔性最大值激活函数softmax，得到归一化后的分类概率{c}＝[c₁，c₂，…，c_K]，其中每一个子元素输出值分别为代表该样本属于本类别的概率；

然后计算预测结果{c}与实际标签y＝[y₁，y₂，…，y_K]之间的均方误差分类损失函数通过误差反向传播对元度量网络进行迭代更新，网络在参数更新过程中期望实现的优化目标定义如下：

其中

元度量网络在多次迁移循环周期中进行迁移测试，在每一个迁移循环中，从测试集的K种类别中进行采样，每一类随机采样N个第二支撑样本M个第二查询样本同时将第二支撑样本与第二查询样本输入特征编码网络中进行前向传播，使它们投影到统一的特征空间得到两组特征，然后将两组特征进行拼接得到组合特征并输入特征匹配网络，得到两个特征的匹配度分值，

将不同第二支撑样本与第二查询样本的匹配度分值输入到柔性最大值激活函数softmax得到归一化后的分类概率，最后通过比较第二查询样本与不同第二支撑样本的匹配度分值，将该第二查询样本归类为分值最高的支撑样本类别。

2.根据权利要求1所述的方法，其中，优选的，频谱信号的每一个样本的长度为对应振动信号的样本长度的一半。

3.根据权利要求1所述的方法，其中，特征编码网络f_θ包括四个一维卷积模块和一个一维自适应池化层，第一个一维卷积模块的卷积核最大。

4.根据权利要求1所述的方法，其中，特征匹配网络表示参数化距离度量函数。

5.根据权利要求1所述的方法，其中，特征编码网络输出为一个64通道*25宽度的特征张量，特征匹配网络输入为128通道*25宽度的特征张量，输出为8通道的特征张量。

6.根据权利要求1所述的方法，其中，匹配度分值变化范围为0-1。