买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东科技大学

摘要：本发明公开了一种基于深度原型网络的少样本轴承故障诊断方法，涉及轴承故障诊断技术技术领域，包括：支持集原型计算：采用改进的k‑means++聚类算法计算支持集中每个故障类别的原型；查询集判别分类：将支持集原型应用到查询集的判别分类中；查询集样本聚合：构造原型损失；测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量。本发明利用特征聚类算法k‑means++计算每个已知类的原型，通过计算标记后的目标样本到原型的欧氏距离，将标记后的目标样本分配到距离最近的原型类中。还构造原型损失以增强故障标记样本与对应原型之间的紧凑性，既可识别已知故障类别样本，又能有效地剔除来自未知类别的故障样本。

主权项：1.一种基于深度原型网络的少样本轴承故障诊断方法，其特征在于，包括以下步骤：支持集原型计算：采用改进的k-means++聚类算法计算支持集中每个故障类别的原型；查询集判别分类：将支持集原型应用到查询集的判别分类中，查询集包含已知故障类别的目标标记样本；查询集样本聚合：构造原型损失，减小查询集样本到相应原型的特征距离；测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量，如果测试集样本到原型的特征距离小于对应的决策距离，则该测试集样本与该原型属于同一故障类别；如果测试集样本到任意原型的特征距离大于所有类别的决策距离，则该测试集样本为未知故障类别样本；所述支持集原型计算的步骤，包括：步骤1，假设支持集有k个故障类别：在k-means++聚类算法中，随机选取k个样本作为初始聚类中心C＝{c1,c2,...,ck}，即原型；步骤2，对于支持集中的每个样本xs，计算其到k个聚类中心的距离，并将每个样本分配到距离最小的聚类中心对应的聚类中；步骤3，k个聚类形成后，利用重新计算每个类的聚类中心；步骤4，重复样本分配过程和计算过程至聚类中心位置不变；所述查询集判别分类的步骤，包括：步骤1，度量查询集样本到原型特征距离的度量为： 其中，d·,·表示欧几里得距离；步骤2，基于Softmax函数，将属于每个原型的各查询集样本基于特征距离的先验概率定义为： 其中，表示标签，表示查询集样本xq属于原型ci，γ是一个超参数用来控制从距离到概率的转换难度，E·为特征提取器的输出；步骤3，结合交叉熵函数，总判别损失表示为： 所述查询集样本聚合的步骤，包括：步骤1，第i类的原型损失定义为： 其中，i∈{1,2,…,k}，表示类i中查询集样本的数量；步骤2，总原型损失定义为： 步骤3，在查询集样本聚合后，计算查询集样本到每个聚类中对应原型的平均距离作为决策距离D＝{d1,d2,...,dk}，并在测试集中使用，第i类的决策距离di计算为： 其中，θ是控制决策距离的权衡参数；步骤4，将判别损失和原型损失相结合，所提模型的总损失定义为：Ltotal＝Ldis+λ*Lpl其中，λ为平衡判别损失和原型损失的权衡参数，通过最小化训练过程中的总损失，所提模型的特征提取器的参数将通过反向传播进行更新。

全文数据：

权利要求：

百度查询： 山东科技大学 一种基于深度原型网络的少样本轴承故障诊断方法