[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

说明书

本发明公开了一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，方法中，元度量深度神经网络为核心，由特征编码网络和特征匹配网络两个子网络组成；通过在相关的源域中建立多个子任务来迭代训练网络参数，并使用神经网络来抽象化取代可优化更新的特征距离匹配函数，最终在目标任务域实现利用少量标签样本来进行高精度的直升机行星齿轮箱故障诊断。诊断方法包括准备阶段、元学习阶段以及迁移阶段共三个流程。在准备阶段，完成网络超参数设置以及数据集的分割。在元学习阶段，利用源域数据来训练模型学习最优的特征提取以及距离度量的网络参数。最终，在迁移阶段对检测样本与目标域多类故障样本进行特征提取与特征匹配，得到故障模式判定决策。

技术领域

本发明属于直升机行星齿轮箱故障诊断技术领域，特别是一种元度量学习驱动的直升机行星齿轮箱故障诊断方法。

背景技术

与固定翼飞机相比，直升机事故高发，且严重事故比例大，这对直升机安全性和可靠性提出了很高的要求。因此开展直升机健康管理与故障诊断研究是保证直升机运行安全性与运维经济性的重要基础，长期以来备受关注。而其传动系统行星齿轮箱则因其工作环境恶劣、载荷变化大等，成为故障易发的薄弱环节。针对其开展的故障诊断研究一直是直升机健康与使用监控系统(HUMS)的核心任务之一。

直升机传动系统故障诊断的任务是通过对某个部件进行智能诊断，给出可能的故障的类型和程度，为后续维护和健康管理提供依据。从信号处理角度出发以及从智能诊断角度出发的相关诊断方法都已经被广泛的应用。信号处理方面，包括使用振动信号的低阶条件谱矩，实现齿轮箱故障类型的实时诊断；通过小波分解和功率谱提取特征，作为后续智能诊断方法的特征输入。智能诊断方面，则包括采用人工神经网络对直升机传动系统故障进行分类；基于人工神经网络的主减速器行星齿轮故障程度辨识方法；基于稀疏贝叶斯极限学习机的行星齿轮箱故障类型识别以及行星轮裂纹程度辨识；基于隐马尔可夫模型和递归神经网络(RNN)的齿轮健康监测框架等。

虽然基于传统信号处理以及以深度神经网络为代表的智能诊断方法可以在诊断分类精度上取得一定的提升，但在有限的训练样本甚至极少的训练样本下保持高诊断精度的难题依然有待解决。依然存在着在1)复杂工况任务中精度不高、鲁棒性不强，难以适应复杂多变的工况；2)对训练数据量的过度依赖，当样本数量过少时，诊断精度显著下降；3)频繁复杂的变工况运行状态所引起的故障样本稀缺等问题。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的问题，本发明提出一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，能够在目标域仅有少量有效故障样本的情况下实现故障形式的精准诊断。

本发明的目的是通过以下技术方案予以实现，一种元度量学习驱动的直升机行星齿轮箱故障诊断方法包括以下步骤：

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。