[发明专利]基于注意机制元学习模型的小样本下故障智能诊断方法

摘要

本发明公开了基于注意机制元学习模型的小样本下故障智能诊断方法，本发明使用注意机制和元学习方法建立了关联网络模型，对机械信号进行短时傅里叶变换，得到其时频谱图，进一步从中进行特征提取和运行状态识别，能够有效地挖掘其中蕴藏的丰富故障信息。本发明方法能够自适应地训练出一种伪距离来评价相关数据之间的相似度，无需明确的数学公式定义，可以获得较高的机械设备故障诊断准确率。从而摆脱了传统诊断方法中特征提取过程对人工经验的依赖性以及现有智能故障诊断算法对大量训练数据的依赖性，切实解决小样本数据条件下对机械设备故障诊断的难题。

主权项

1.基于注意机制元学习模型的小样本下故障智能诊断方法，其特征在于，包括以下步骤：/n步骤一，采集各种运行状态下的机械振动信号，对获取到的振动信号进行短时傅里叶变换，得到振动信号的时频谱图，并将时频谱图进行同一规格化处理，最终作为数据集合；/n步骤二，建立基于注意机制和元学习方法的关联网络模型，该网络模型包含四个网络子结构，第一个为样本随机采集器，第二个为基于卷积网络框架的特征提取器，第三个为带有注意机制的辅助分类器，第四个为基于卷积网络框架的判别器；/n步骤三，对于步骤二建立的关联网络模型，利用采集器将步骤一得到的数据集合划分为训练子集和验证子集，用于模拟小样本条件下的测试过程；/n步骤四，利用基于卷积网络框架的特征提取器对划分好的数据训练集进行数据特征提取，并进行特征拼接；/n步骤五，通过带有注意机制的辅助分类器和带有注意机制辅助的判别器，利用步骤四提取的数据特征对关联网络模型进行训练并更新辅助分类器和判别器的网络参数；/n步骤六，对步骤二所建立的关联网络模型中的各个子网络使用Batch normalization参数正则化方法防止训练过拟合及稳定训练过程；/n步骤七，对步骤五的训练过程进行多次迭代直达满足预设要求，取验证准确度最高的一组权重作为最优权重；/n步骤八，将最优权重作为测试时关联网络的网络参数，利用步骤一得到的数据集合中少于等于总数据量5％的样本数据作为训练集，其余为测试集进行测试，模型输出为每一条数据所对应的不同运行状态的关联程度分数，取最大的关联程度分数作为该条数据最终标签；/n步骤九，采用步骤二的关联网络模型，使用总数据量5％或者更少的实际机械振动信号进行训练，从而训练出一种自适应网络来比对已知运行状态数据和未知运行状态数据的关联程度，最终使得关联网络模型能够获得95％以上的运行状态分类准确率，实现小样本数据下的对机械设备的智能故障诊断。/n