[发明专利]一种基于元学习的小样本转辙机故障智能诊断方法

权利要求书

1.一种基于元学习的小样本转辙机故障智能诊断方法，其特征在于，包括以下步骤：

S1、采集小样本的转辙机动作电流或功率数据；

S2、对采集数据进行预处理；

S3、若是训练小样本转辙机故障诊断模型，则利用预处理后的数据生成元学习任务，并划分元训练集和元测试集，并进入步骤S4，若对预处理后的数据进行故障诊断，则进入步骤S7；

S4、构建以贝叶斯学习算法为训练框架且包括元学习器和基础学习器的小样本转辙机故障诊断模型；

S5、利用元训练集训练小样本转辙机故障诊断模型，得到优化的元学习器参数分布；

S6、基于优化的元学习器参数分布，对基础学习器参数进行调整，得到训练好的小样本转辙机故障诊断模型；

S7、将待诊断的转辙机动作电流或功率数据输入至训练好的小样本转辙机故障诊断模型，得到故障诊断结果。

2.根据权利要求1所述的基于元学习的小样本转辙机故障智能诊断方法，其特征在于，所述步骤S3中利用预处理后的数据生成元学习任务，并划分元训练集和元测试集，其具体为：

利用预处理后的转辙机动作电流数据或功率数据样本生成元学习任务，且各元学习任务均包括一个元训练集和元测试集，其中，每个元学习任务的元训练集均包括N个类别的转辙机动作电流数据或功率数据，且每个类别下含有K个动作电流数据或功率数据；所述元测试集中样本类别数与元训练集相同，所述元测试集包括若干个样本数类别。

3.根据权利要求2所述的基于元学习的小样本转辙机故障智能诊断方法，其特征在于，所述步骤S4中元学习器与基础学习器共享网络参数，并利用贝叶斯学习算法对元学习器进行优化；

所述基础学习器包括4个卷积模块，其中，每个卷积模块包括64个3×3卷积核的卷积层、批处理归一化层、ReLU激活层和2×2最大值池化层。

4.根据权利要求3所述的基于元学习的小样本转辙机故障智能诊断方法，其特征在于，所述步骤S5包括以下步骤：

S501、选取元训练集中一个批次的任务输入至小样本转辙机故障诊断模型；

S502、由基础学习器在每一批次内的每个任务的元训练集上均进行参数更新，并计算小样本转辙机故障诊断模型在元测试集上的损失；

S503、将一个批次的损失进行求和作为元学习器训练损失，并对元学习器参数进行梯度更新；

S504、根据更新结果，判断小样本转辙机故障诊断模型是否收敛，若是，则得到优化的元学习器参数分布，否则，返回步骤S501。

5.根据权利要求4所述的基于元学习的小样本转辙机故障智能诊断方法，其特征在于，所述步骤S6包括以下步骤：

S601、从优化后的元学习器参数分布中采样得到基础学习器参数初始值，并将元测试集中的一任务输入至优化后的元学习器模型；

S602、利用元训练集对基础学习器参数进行调整，并在任务中的元测试集上进行诊断，以对小样本转辙机故障诊断模型进行评估；

S603、基于评估结果，得到训练好的小样本转辙机故障诊断模型。