CN115541228B 一种风电机组齿轮箱的故障诊断方法 （重庆邮电大学）

齿轮箱的历史故障报告对部分故障样本打上故目标振动信号归一化处理后输入训练好的故障2S1：采集风电机组齿轮箱的振动信号，将采集周期对待分类故障样本的后验概率得到无标记故障样本的后验概率集和查询故障样本的S42：根据无标记故障样本的后验概率集和查询故障样本的后验概率集构建伪标签训练数据集和伪标签测试数据集；并利用伪标签训练数据集对记忆门控循环网络进行训练，并在训练完成后通过记忆门控循环网络对伪标签测试数据集进行样本拓展得到伪标签故S43：根据伪标签故障样本和伪标签故障样本的伪标签利用预训练好的原型网络计算S46：将伪标签故障样本和查询集中的故障样本作为训练样本并利用伪标签故障样本S411：通过原型网络中的卷积神经网络提取征向量；根据故障类别标签对支持集中相同故障类别的故障样本的特征向量求和取平均，S413：根据待分类故障样本的特征向量与每个3S414：保存待分类故障样本在原型网络每个训S415：根据原型网络在每个训练周期中查询故障标记故障样本的后验概率集和查询故障样本的后验概率集构建伪标签训练数据集和伪标S421：将查询故障样本的后验概率集中的后验概率训练好的记忆门控循环网络对伪标签测试数据集进行样本拓展得到伪标签故障样本和伪将伪标签测试数据集中无标记故障样本的后验概率输入训练好的记忆门控循环网络将决策因子小于设定阈值的无标记故障样本的后验概率作为伪5.根据权利要求1或4所述的一种风电机e表示伪标签故障样本集，表示在记忆门控循环网络第e个训练周期获得忆门控循环网络第e个训练周期对H"的决策因子预测，N:表示在记忆门控循环网络第e标签故障样本和伪标签故障样本的伪标签利用预训练好的原型网络计算伪标签故障样本S431：将伪标签故障样本输入预训练好的原型网络根据伪标签故障样本的伪标签计算伪标签故障4S432：根据所有伪标签故障样本的伪损失中的障类别标签，NS表示支持集中故障样本的数量，询集中的第i个故障样本，表示的故障类别表示在记忆门控循环网络第e个训练周期获得的第i个伪标签故障样本；表示戏的练周期对"的后验概率，表示半监督加权质心原型网络在第e个训练周期对的5[0002]风电机组齿轮箱作为风电机组中用于提高转速和向发电机[0004]为了解决现有技术中存在风电机组齿轮箱故障诊断中成本高昂的标记故障样本难以获取，而有限的标记故障样本训练的风电机组齿轮箱故障诊断模型容易陷入过拟合，训练周期对待分类故障样本的后验概率得到无标记故障样本的后验概率集和查询故障样[0011]S42：根据无标记故障样本的后验概率集和查询故障样本的后验概率集构建伪标[0012]S43：根据伪标签故障样本和伪标签故障样本的伪标签利用预训练好的原型网络6[0015]S46：将伪标签故障样本和查询集中的故障样本作为训练样本并利用伪标签故障样本的伪标签和查询故障样本的故障类别标签构建半监督加权质心原型网络的损失函数，[0019]本发明采用基于记忆门控循环网络筛选高置信度的无标签样故障本制作伪标签7验证集将没有故障类别标签的故障样本作为无标签样样本的故障类别标签，NS表示支持集中故障样本的数量；表示查表示验证集中的第i个故障样本，表示验证集中的第i个故障样本的故障类别标签，训练周期对待分类故障样本的后验概率得到无标记故障样本的后验概率集和查询故障样并根据原型网络在每个训练周期对待分类故障样本的后验概率得到无标记故障样本的后8[0039]S412：计算待分类故障样本的特征向量与每个故障类别的类原型之间的欧氏距[0045]其中，j"(x)表示原型网络在第e个训练周期中预测的待分类故障样本的后验概样本的后验概率集和查询故障样本的后验概率中预测的"的后验概率，表示在原型网络E1个训练周期内"的后验概率集。[0052]其中，表示无标记样本集中的第i个故障样本，j"(,")表示原型网络在第e个训练周期中预测的"的后验概率，H"(")表示在原型网络E1个训练周期内"的后验概查询集中第i个故障样本的故障类别标签，NQ表示查询集中故障样本的数量，s"(")表示9[0057]S42：根据无标记故障样本的后验概率集和查询故障样本的后验概率集构建伪标在原型网络E1个训练周期内"的后验概率集，n,"表示从中采样的第b个查询故障样本的后验概率，表示从中采样的第b个查询故障样本"的故障类别标签，NH表示从中采样查询故障样本的后验概率的数量，argmax(*)表示最大值索引函[0067]将伪标签训练数据集作为训练样本并根据查询故障样本的故障类别标签构建记中采样的第b个查询故障样本的后验概率，表示从中采样的第b个查[0073]将伪标签测试数据集中无标记故障样本的后验概率输入训练好的记忆门控循环概率的类别和决策因子生成伪标签故障样本和伪标签故障样本的,表示记忆门控循环网络在第e个训练周期对n"的类别预测，r:表示记忆门控循环网络获得的第i个伪标签故障样本，表示的伪标签，"表示无标签样本集U中的第i个无标签故障样本，表示记忆门控循环网络在第e个训练周期对n"的类示记忆门控循环网络第e个训练周期对的决策因子预测，N:表示在记忆门控循环网[0081]S43：根据伪标签故障样本和伪标签故障样本的伪标签利用预训练好的原型网络示的伪标签，LCE(*,*)表示交叉熵损失函数，表示伪标签故障样本的伪损失，表示伪标签故障样本集PLDS中所有伪标签故障样本的伪损失的集合，表示在记忆门控循环网络第e个训练周期获得的伪标签故障样本的数的权重、支持集中的故障样本和查询集中的故障样本计算每个故障类别的加权质心类原本的故障类别标签，NS表示支持集中故障样本的数量，表[0098]S46：将伪标签故障样本和查询集中的故障样本作为训练样本并利用伪标签故障样本的伪标签和查询故障样本的故障类别标签构建半监督加权质心原型网络的损失函数，"表示的故障类别标签，NS表示支持集中故障样本的数量，表示在记忆门控循环网j(")表示半监督加权质心原型网络在第e个训练周期对的后验概率，表示半监督加权质心原型网络在第e个训练周期对的后验概[0102]优选地，所述将验证集输入训练好的半监督加权质心原型网络进行精度验证包[0106]优选地，所述风电机组齿轮箱的目标振动信号为CMS实时采集的风电机组齿轮箱[0107]所述将风电机组齿轮箱的目标振动信号归一化处理后输入训练好的故障诊断模[0108]为了验证本发明公开的一种风电机组齿轮箱的故障诊断法进行了对比，包括CNN、文献ICML.,215.“Siameseneuralnetworksforone-shotsemi-supervisedlearning.”中所述PLL、文献ICLR.,Feb,218.“Meta-learningforsemi-supervisedfew-shotclassification.”中所述LST、文献ICIP.,Oct,22.献ICISC.,Nov.22.“Robustre-weightingprototypicalnetworksforfew-shot[0119]不难看出，在所有方法中，CNN故障诊断效果最差，在各组实验中仅实现了由于PLL在PT阶段无法获得令人满意的分类效果，PLL对未标记样本的分类效果也变得更采用比CNN更适合于小问题的PN作为网络主干，并利用比例样本选择来提高所用