[發明專利]一種基于深度原型網絡的少樣本軸承故障診斷方法

在審

• 申請號: 202210236017.1
• 申請日: 2022-03-11
• 公開（公告）號: CN114861749A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 王金瑞;張驍;韓寶坤;張宗振;鮑懷謙;季珊珊
• 申請（專利權）人: 山東科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01M13/045
• 代理公司: 青島潤集專利代理事務所(普通合伙) 37327
• 代理人: 趙以芳

1.一種基于深度原型網絡的少樣本軸承故障診斷方法，其特征在于，包括以下步驟：

支持集原型計算：采用改進的k-means++聚類算法計算支持集中每個故障類別的原型；

查詢集判別分類：將支持集原型應用到查詢集的判別分類中，查詢集包含已知故障類別的目標標記樣本；

查詢集樣本聚合：構造原型損失，減小查詢集樣本到相應原型的特征距離；

測試集樣本測試：測試集樣本經過更新后的特征提取器處理后，將與每個已知故障類別的原型進行距離測量，如果測試集樣本到原型的特征距離小于對應的決策距離，則該測試集樣本與該原型屬于同一故障類別；如果測試集樣本到任意原型的特征距離大于所有類別的決策距離，則該測試集樣本為未知故障類別樣本。

2.如權利要求1所述的一種基于深度原型網絡的少樣本軸承故障診斷方法，其特征在于，所述支持集原型計算的步驟，包括：

步驟(1)，假設支持集有k個故障類別：在k-means++聚類算法中，隨機選取k個樣本作為初始聚類中心C＝{c₁,c₂,...,c_k}，即原型；

步驟(2)，對于支持集中的每個樣本x^s，計算其到k個聚類中心的距離，并將每個樣本分配到距離最小的聚類中心對應的聚類中；

步驟(3)，k個聚類形成后，利用重新計算每個類的聚類中心；

步驟(4)，重復樣本分配過程和計算過程至聚類中心位置不變。

3.如權利要求1所述的一種基于深度原型網絡的少樣本軸承故障診斷方法，其特征在于，所述查詢集判別分類的步驟，包括：

步驟(1)，度量查詢集樣本到原型特征距離的度量為：

其中，d(·,·)表示歐幾里得距離；

步驟(2)，基于Softmax函數，將屬于每個原型的各查詢集樣本基于特征距離的先驗概率定義為：

其中，表示標簽，表示查詢集樣本x^q屬于原型c_i，γ是一個超參數用來控制從距離到概率的轉換難度，E(·)為特征提取器的輸出；

步驟(3)，結合交叉熵函數，總判別損失表示為：

4.如權利要求1所述的一種基于深度原型網絡的少樣本軸承故障診斷方法，其特征在于，所述查詢集樣本聚合的步驟，包括：

步驟(1)，第i類的原型損失定義為：

其中，i∈{1,2,...,k}，表示類i中查詢集樣本的數量；

步驟(2)，總原型損失定義為：

步驟(3)，在查詢集樣本聚合后，計算查詢集樣本到每個聚類中對應原型的平均距離作為決策距離D＝{d₁,d₂,...,d_k}，并在測試集中使用，第i類的決策距離d_i計算為：

其中，θ是控制決策距離的權衡參數；

步驟(4)，將判別損失和原型損失相結合，所提模型的總損失定義為：

L_total＝L^dis+λ*L^pl

其中，λ為平衡判別損失和原型損失的權衡參數，通過最小化訓練過程中的總損失，所提模型的特征提取器的參數將通過反向傳播進行更新。