[发明专利]一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法

权利要求书

1.一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，其特征在于：该方法包括以下步骤：

S1：半监督动量原型网络训练；

S2：故障诊断识别。

2.根据权利要求1所述的一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，其特征在于：所述S1具体为：

S11：样本集制作；

S12：基于有限标记样本集，对半监督动量原型网络开展训练，学习特征映射和原型；

S13：基于训练后的半监督动量原型网络，对无标记样本集开展伪标签学习，给予无标记样本经阈值选取后的伪标签信息，不断扩大标记样本集的规模，进而得到拓展后的样本集E；

S14：基于拓展后的样本集E，对半监督动量原型网络进行微调，优化半监督动量原型网络的特征映射，并基于动量原型对原型进行修正。

3.根据权利要求2所述的一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，其特征在于：所述S11具体为：将包含K类故障类别的原始振动信号样本集样本归一化为标准化的一维样本，并将少量的标记样本划分为支持集S与查询集Q，作为半监督动量原型网络训练样本集L用于S12；将无标记样本制作为伪标签学习样本集U用于S13。

4.根据权利要求3所述的一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，其特征在于：所述S12具体为：基于半监督动量原型网络训练样本集L，对半监督动量原型网络开展训练：

半监督动量原型网络利用特征提取器将半监督动量原型网络训练样本集L中的样本x_i嵌入到特定特征空间：

对于第c类故障，利用支持集S生成原型P_c：

计算在特征空间中查询集Q中样本与各原型间距离，并将计算得出的距离经softmax化后作为该样本的预测输出p：

半监督动量原型网络通过损失函数loss进行反向传播开展训练：

loss＝-lg p(y＝k|x)

通过上述流程，半监督动量原型网络不断优化半监督动量原型网络的特征映射与原型。

5.根据权利要求4所述的一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，其特征在于：所述S13具体为：基于训练后的半监督动量原型网络，对伪标签学习样本集U开展伪标签学习，采用文献ArXiv preprint arXiv:1506.02142,Jun.2015.“Dropout asa Bayesian Approximation:Representing Model Uncertainty in Deep Learning.”中的MC-Dropout对半监督动量原型网络预测的不确定度进行度量，并以此作为评判指标进行阈值选取，给予无标记样本高置信度的伪标签，不断扩大标记样本集的规模；

利用加入MC-Dropout后的半监督动量原型网络对伪标签学习样本集U中的无标记样本进行I次前向传播得到I个预测，计算I个预测概率向量的均值μ与方差σ²：

利用描述离散程度的方差σ²计算I次前向传播的标准差φ：

利用描述集中趋势的均值μ计算I次前向传播的信息熵ψ：

利用标准差φ与信息熵ψ计算半监督动量原型网络预测的蒙特卡罗不确定度θ：

其中，λ为调节信息熵ψ与标准差φ之间权重的超参数；基于计算得出的半监督动量原型网络预测的蒙特卡罗不确定度θ，经设定的阈值θ′，选取出高置信度的无标记样本的模型输出生成伪标签，扩展标记样本的规模，得到拓展的样本集E。