摘要
随着工业4.0的到来，大数据、云计算、6G等先进的科技技术逐渐成为工业和基础设施的数字化支柱，面对复杂多变的工业场景，故障诊断技术也在朝着信息化、数字化和智能化的方向发展。基于深度学习算法的智能故障诊断技术在工业场景中得到了广泛的应用，并取得了巨大的成功，然而针对有限的故障数据样本，深度学习算法似乎缺乏优良的效果。如何在小样本的情况下实现精准的故障诊断，是工业场景中必不可少的一个环节。本文聚焦于智能故障诊断技术中的故障分类这一重要技术，基于近年来如火如荼发展的小样本学习算法，对其算法模型和实际应用方面开展了进一步研究。本文的主要研究内容和成果如下： （1）针对现有故障数据集中类别丰富但各类型样本量少，不利于传统深度学习算法有效挖掘其中的隐含特征的问题，提出了一种基于改进的半监督原型网络（Semi-supervisedImprovedPrototypicalNetwork，SSIPN）的小样本智能故障诊断方法。具体来说，所提出的SSIPN首先通过特征提取模块获得样本的特征表示并输入到权重模块中进行处理，然后由原型网络计算得到的样本原型分别经过权重模块和原型优化模块得到一个加权类原型，其中权重模块为类内实例分配不同的权重，原型优化模块用于增强类原型的代表性。然后，SSIPN采用尺度缩放策略学习方法，将原型与查询样本之间的欧氏距离通过距离尺度模块进行缩放，最大化类间差异的同时最小化类内差异。最后，用softmax分类器对缩放后的距离进行处理，得到表示样本所属类的概率。所提出的SSIPN在CWRU数据集和SQ数据集上取得了非常出色的结果，不仅故障识别率优秀，而且在识别故障的速度上也有着优异的性能。 （2）由于在很多的工业场景中，设备经常运行在不同的负载或者工况之下，这意味着建立诊断模型之前很难甚至不可能获得与测试数据集具有相同分布的训练数据集，传统的深度学习算法难以解决工况迁移任务。针对在小样本条件下的跨域问题，提出了一种基于改进元关系网络（ImprovedMetaRelationNetwork，IMRN）的小样本智能故障诊断方法。IMRN主要由一个多尺度的特征提取器和一个度量学习器组成。多尺度的特征提取器由双通道的一维卷积神经网络构成，通过设置不同的卷积核大小在不同的尺度上最大程度地获取原始故障信号的特征。同时，该特征提取器的权重参数通过监督学习策略由源域数据集训练得到，以充分利用源域中含有丰富实质的语义信息。其次，利用度量学习器强大的学习能力进行相似性度量,同时采用标签平滑算法以缓解度量学习器可能存在的模型过拟合问题。通过在三个公共数据集（TE、PU、CWRU）的实验验证，IMRN在样本极其少的情况下能够精准地识别故障类别，这为解决小样本跨域故障诊断提供了一种可行的方案。
NETL